CN114283040A - 交通事故处理方法和装置、电子设备 - Google Patents

交通事故处理方法和装置、电子设备 Download PDF

Info

Publication number
CN114283040A
CN114283040A CN202111589322.0A CN202111589322A CN114283040A CN 114283040 A CN114283040 A CN 114283040A CN 202111589322 A CN202111589322 A CN 202111589322A CN 114283040 A CN114283040 A CN 114283040A
Authority
CN
China
Prior art keywords
accident
vehicle
target
data
responsibility
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
CN202111589322.0A
Other languages
English (en)
Inventor
樊太飞
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.)
Ant Shengxin Shanghai Information Technology Co ltd
Original Assignee
Ant Shengxin Shanghai Information Technology 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 Ant Shengxin Shanghai Information Technology Co ltd filed Critical Ant Shengxin Shanghai Information Technology Co ltd
Priority to CN202111589322.0A priority Critical patent/CN114283040A/zh
Publication of CN114283040A publication Critical patent/CN114283040A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本说明书一个或多个实施例提供一种交通事故处理方法和装置、电子设备，所述方法包括：获取与目标交通事故对应的目标事故车辆的车辆行驶数据；基于所述车辆行驶数据提取特征数据；其中，所述特征数据为与对所述目标事故车辆执行的在所述目标交通事故中的责任认定相关的数据；将所述特征数据输入至预测模型，以由所述预测模型基于所述特征数据预测所述目标事故车辆在所述目标交通事故中的责任认定结果；其中，所述预测模型为基于若干被标注了责任认定结果的特征数据样本训练出的机器学习模型；输出预测出的所述目标事故车辆在所述目标交通事故中的责任认定结果。

Description

交通事故处理方法和装置、电子设备
技术领域
本说明书一个或多个实施例涉及计算机应用技术领域，尤其涉及一种交通事故处理方法和装置、电子设备。
背景技术
现如今，在发生了交通事故之后，通常需要由交管部门派遣交警前往事故现场进行调查，以由交管部门根据事故现场的实际情况对该交通事故中的各辆事故车辆进行交通事故责任认定，即确定各辆车辆的驾驶员在该交通事故中应当承担的责任占比，例如：全责或无责等。然而，通过人工的方式对交通事故中的事故车辆进行交通事故责任认定，通常效率较低，不便于后续根据责任认定结果对事故车辆进行相应的业务处理。
发明内容
本说明书提出一种交通事故处理方法，所述方法包括：
获取与目标交通事故对应的目标事故车辆的车辆行驶数据；
基于所述车辆行驶数据提取特征数据；其中，所述特征数据为与对所述目标事故车辆执行的在所述目标交通事故中的责任认定相关的数据；
将所述特征数据输入至预测模型，以由所述预测模型基于所述特征数据预测所述目标事故车辆在所述目标交通事故中的责任认定结果；其中，所述预测模型为基于若干被标注了责任认定结果的特征数据样本训练出的机器学习模型；
输出预测出的所述目标事故车辆在所述目标交通事故中的责任认定结果。
可选地，所述车辆行驶数据包括：车辆加速度数据；以及，在所述目标交通事故发生之前的预设时段内的定位位置数据。
可选地，所述获取与目标交通事故对应的目标事故车辆的车辆行驶数据，包括：
获取与目标交通事故对应的目标事故车辆搭载的加速度传感器采集到的车辆加速度数据；
获取所述目标事故车辆搭载的移动终端设备在所述目标交通事故发生之前的预设时段内采集到的定位位置数据。
可选地，所述基于所述车辆行驶数据提取特征数据，包括：
基于所述车辆加速度数据确定所述目标事故车辆的行驶速度；
基于所述定位位置数据，确定所述目标事故车辆的行驶方向和与所述目标交通事故中的其他事故车辆的相对位置关系；
将所述行驶速度、所述行驶方向和所述相对位置关系确定为特征数据。
可选地，所述责任认定结果为有责任或无责任，所述机器学习模型为二分类模型；
或者，所述责任认定结果为以下责任认定结果中的一种：全责、主责、次责、同责和无责，所述机器学习模型为多分类模型。
本说明书还提出一种交通事故处理装置，所述装置包括：
获取模块，获取与目标交通事故对应的目标事故车辆的车辆行驶数据；
提取模块，基于所述车辆行驶数据提取特征数据；其中，所述特征数据为与对所述目标事故车辆执行的在所述目标交通事故中的责任认定相关的数据；
预测模块，将所述特征数据输入至预测模型，以由所述预测模型基于所述特征数据预测所述目标事故车辆在所述目标交通事故中的责任认定结果；其中，所述预测模型为基于若干被标注了责任认定结果的特征数据样本训练出的机器学习模型；
输出模块，输出预测出的所述目标事故车辆在所述目标交通事故中的责任认定结果。
可选地，所述车辆行驶数据包括：车辆加速度数据；以及，在所述目标交通事故发生之前的预设时段内的定位位置数据。
可选地，所述获取模块：
获取与目标交通事故对应的目标事故车辆搭载的加速度传感器采集到的车辆加速度数据；
获取所述目标事故车辆搭载的移动终端设备在所述目标交通事故发生之前的预设时段内采集到的定位位置数据。
可选地，所述提取模块：
基于所述车辆加速度数据确定所述目标事故车辆的行驶速度；
基于所述定位位置数据，确定所述目标事故车辆的行驶方向和与所述目标交通事故中的其他事故车辆的相对位置关系；
将所述行驶速度、所述行驶方向和所述相对位置关系确定为特征数据。
可选地，所述责任认定结果为有责任或无责任，所述机器学习模型为二分类模型；
或者，所述责任认定结果为以下责任认定结果中的一种：全责、主责、次责、同责和无责，所述机器学习模型为多分类模型。
本说明书还提出一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器通过运行所述可执行指令以实现上述方法的步骤。
本说明书还提出一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述方法的步骤。
在上述技术方案中，由于可以基于与已经发生的交通事故对应的事故车辆的车辆行驶数据，预测该事故车辆在该交通事故中的责任认定结果，并输出预测出的该责任认定结果，以基于该责任认定结果执行相应的业务处理，即可以实现自动对交通事故中的事故车辆进行交通事故责任认定，而无需通过人工的方式对交通事故中的事故车辆进行交通事故责任认定，因此可以提高交通事故责任认定的效率，为后续根据责任认定结果执行相应的业务处理提供便利。
附图说明
图1是本说明书一示例性实施例示出的一种交通事故处理系统的示意图；
图2是本说明书一示例性实施例示出的一种交通事故处理方法的流程图；
图3是本说明书一示例性实施例示出的一种交通事故处理装置所在电子设备的硬件结构图；
图4是本说明书一示例性实施例示出的一种交通事故处理装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本说明书旨在提供一种基于与已经发生的交通事故对应的事故车辆的车辆行驶数据，预测该事故车辆在该交通事故中的责任认定结果，并输出预测出的该责任认定结果的技术方案。
在具体实现时，可以预先基于若干被标注了责任认定结果的特征数据样本，对机器学习模型进行训练，并将训练完成的机器学习模型作为用于责任认定结果预测的预测模型；其中，该特征数据可以是基于交通事故中的事故车辆的车辆行驶数据提取出的、与责任认定相关的数据。
针对一起已经发生的目标交通事故，可以先获取与该目标交通事故对应的目标事故车辆的车辆行驶数据，并基于获取到的该车辆行驶数据，提取与对该目标事故车辆执行的在该目标交通事故中的责任认定相关的数据，作为特征数据，再将提取出的该特征数据输入至上述预测模型，以由该预测模型基于该特征数据预测该目标事故车辆在该目标交通事故中的责任认定结果。
后续，可以输出预测出的该责任认定结果，以基于该责任认定结果执行相应的业务处理。
在上述技术方案中，由于可以基于与已经发生的交通事故对应的事故车辆的车辆行驶数据，预测该事故车辆在该交通事故中的责任认定结果，并输出预测出的该责任认定结果，以基于该责任认定结果执行相应的业务处理，即可以实现自动对交通事故中的事故车辆进行交通事故责任认定，而无需通过人工的方式对交通事故中的事故车辆进行交通事故责任认定，因此可以提高交通事故责任认定的效率，为后续根据责任认定结果执行相应的业务处理提供便利。
请参考图1，图1是本说明书一示例性实施例示出的一种交通事故处理系统的示意图。
在实际应用中，针对一起已经发生的交通事故，可以由交管部门基于与该交通事故对应的事故车辆的车辆行驶数据，预测该事故车辆在该交通事故中的责任认定结果，以根据预测出的该责任认定结果执行追责等业务处理，例如：对该事故车辆的驾驶员进行处罚。
或者，可以由保险公司基于与该交通事故对应的事故车辆的车辆行驶数据，预测该事故车辆在该交通事故中的责任认定结果，以根据预测出的该责任认定结果针对该事故车辆执行理赔等业务处理。
也即，在图1所示的交通事故处理系统中，业务执行方电子设备可以是交管部门或保险公司等需要确定事故车辆在交通事故中的责任认定结果的业务执行方所使用的电子设备；其中，该电子设备可以是服务器、计算机、手机、平板设备、笔记本电脑或掌上电脑(PDAs，Personal Digital Assistants)等，本说明书对此不作限制。
该业务执行方的用户可以获取安装在上述事故车辆中的用于定位的移动终端设备和用于记录传感器采集到的数据的电子芯片等电子设备，例如：从该事故车辆上将该移动终端设备或该电子芯片拆卸下来，并将获取到的这些电子设备连接至该业务执行方电子设备，从而使该业务执行方电子设备可以从这些电子设备的存储介质中读取该事故车辆的车辆行驶数据，例如：可以从该移动终端设备的存储介质中读取该事故车辆在上述交通事故发生之前的某个时段内的定位位置数据，作为该车辆行驶数据，或者可以从该电子芯片的存储介质中读取由该事故车辆搭载的传感器采集到的数据，作为该车辆行驶数据。
或者，可以由安装在上述事故车辆中的用于定位的移动终端设备和用于记录传感器采集到的数据的电子芯片等电子设备，按照既定的时间周期，定期将该事故车辆的车辆行驶数据上传至该业务执行方电子设备；其中，该时间周期可以由该业务执行方的用户预先设置，也可以是默认的缺省值，本说明书对此不作限制。
该业务执行方电子设备可以进一步地基于该车辆行驶数据，预测该事故车辆在该交通事故中的责任认定结果，并输出预测出的该责任认定结果。
请参考图2，图2是本说明书一示例性实施例示出的一种交通事故处理方法的流程图。
该交通事故处理方法可以应用于图1所示的业务执行方电子设备，包括以下步骤：
步骤202，获取与目标交通事故对应的目标事故车辆的车辆行驶数据；
步骤204，基于所述车辆行驶数据提取特征数据；其中，所述特征数据为与对所述目标事故车辆执行的在所述目标交通事故中的责任认定相关的数据；
步骤206，将所述特征数据输入至预测模型，以由所述预测模型基于所述特征数据预测所述目标事故车辆在所述目标交通事故中的责任认定结果；其中，所述预测模型为基于若干被标注了责任认定结果的特征数据样本训练出的机器学习模型；
步骤208，输出预测出的所述目标事故车辆在所述目标交通事故中的责任认定结果。
在本实施例中，针对一起已经发生的交通事故(称为目标交通事故)，可以先由上述业务执行方电子设备获取与该目标交通事故对应的事故车辆(称为目标事故车辆)的车辆行驶数据。
在实际应用中，一方面，可以在车辆上安装用于记录该车辆搭载的传感器采集到的数据的电子芯片或移动终端设备等电子设备；另一方面，可以在车辆上安装移动终端设备，以由该移动终端设备基于GPS(Global Positioning System，全球定位系统)进行定位，并对得到的该车辆的定位位置数据进行记录。
也即，对于上述目标事故车辆，上述业务执行方电子设备可以通过该目标事故车辆搭载的用于记录传感器采集到的数据的电子设备，获取该目标事故车辆搭载的传感器采集到的数据。
在示出的一种实施方式中，该业务执行方电子设备具体可以获取该目标事故车辆搭载的加速度传感器采集到的数据，作为该目标事故车辆的车辆加速度数据。
该业务执行方电子设备还可以通过该目标事故车辆搭载的用于定位的移动终端设备，获取该目标事故车辆的定位位置数据；其中，该定位位置数据可以包括定位位置的经度和纬度。
在实际应用中，车辆搭载的移动终端设备在记录通过定位得到的该车辆的某个定位位置数据时，通常会同时记录执行此次定位的时刻，即记录该定位位置数据与得到该定位位置数据的时刻之间的对应关系。
为了提高数据处理效率，上述业务执行方电子设备可以仅获取上述目标事故车辆在上述目标交通事故发生之前的预设时段内的定位位置数据。
具体地，可以由该业务执行方的用户预先设置一个合适的时长，该业务执行方电子设备则可以获取该目标事故车辆在该目标交通事故发生之前的、时长为该业务执行方的用户预先设置的该时长的时段内的定位位置数据，例如：假设该业务执行方的用户预先设置的时长为5分钟，且与该目标事故车辆的定位位置数据对应的最晚时刻(即在该目标交通事故发生之前最后一次定位的时刻)为18时20分，则该业务执行方电子设备可以仅获取该目标事故车辆在18时15分至18时20分这一时段内的定位位置数据。
或者，可以由该业务执行方的用户根据实际情况设置一个合适的时段，该业务执行方电子设备则可以获取该目标事故车辆在该时段内的定位位置数据，例如：假设该目标交通事故发生在18时20分这一时刻，则该业务执行方的用户可以将18时15分至18时20分设置为需要获取定位位置数据的时段，从而使该业务执行方电子设备可以仅获取该目标事故车辆在18时15分至18时20分这一时段内的定位位置数据。
在上述情况下，该业务执行方电子设备可以将获取到的该目标事故车辆搭载的传感器采集的数据(具体可以是该目标事故车辆的车辆加速度数据)，以及该目标事故车辆的定位位置数据，作为该目标事故车辆的车辆行驶数据。
在本实施例中，在获取到了上述目标事故车辆的车辆行驶数据之后，上述业务执行方电子设备可以基于该车辆行驶数据，提取与对该目标事故车辆执行的在上述目标交通事故中的责任认定相关的数据，作为特征数据。
在示出的一种实施方式中，一方面，该业务执行方电子设备可以基于该车辆行驶数据中的车辆加速度数据，确定该目标事故车辆在该目标交通事故发生之前的行驶速度，以将该行驶速度作为特征数据；另一方面，该业务执行方电子设备可以基于该车辆行驶数据中的定位位置数据，确定该目标事故车辆的行驶方向，以及该目标事故车辆与该目标交通事故中的其他事故车辆的相对位置关系，以将该行驶方向和该相对位置关系也作为特征数据。
举例来说，假设在该目标事故车辆由于发生交通事故而停止行驶之前最后一次采集到的车辆加速度数据为10km/s2，且该加速度的持续时间为10秒，则可以计算得到该目标事故车辆在停止行驶前10秒的行驶速度为100km/s。
在实际应用中，该业务执行方电子设备通常可以获取到该目标交通事故中的所有事故车辆的定位位置数据。因此，一方面，该业务执行方电子设备不仅可以根据该目标事故车辆的定位位置数据随时间的变化情况，确定该目标事故车辆的行驶方向，例如：假设该目标事故车辆的经度始终保持不变，而纬度则随时间逐渐增加，则可以确定该目标事故车辆的行驶方向为向北行驶。
另一方面，该业务执行方电子设备还可以获取到该目标交通事故中的所有事故车辆的定位位置数据，因此可以根据该目标事故车辆的定位位置数据，以及该目标交通事故中的其他事故车辆的定位位置数据，确定该目标事故车辆与该目标交通事故中的其他事故车辆的相对位置关系。
举例来说，可以根据该目标事故车辆以及该目标交通事故中的其他事故车辆的经、纬度的具体数值，确定其他事故车辆相对于该目标事故车辆的方位。假设该目标事故车辆的经度与该目标交通事故中的另一事故车辆的经度相同，该目标事故车辆的纬度大于该另一事故车辆的纬度，则可以确定该目标事故车辆在该另一事故车辆的正南方向上。
在另一个例子中，假设该目标事故车辆的经度始终保持不变，而纬度则随时间逐渐增加；再假设该目标交通事故中的另一事故车辆的经度和纬度均随时间逐渐增加。在这种情况下，结合该目标交通事故的发生地点的道路延伸方向(假设为南北方向)，可以确定该目标事故车辆相对于该另一事故车辆处于直行状态，而该另一事故车辆相对于该目标事故车辆处于转弯状态。
在本实施例中，在提取出了上述特征数据之后，上述业务执行方电子设备可以将该特征数据输入至预先训练得到的预测模型，以由该预测模型基于该特征数据预测上述目标事故车辆在上述目标交通事故中的责任认定结果。
需要说明的是，该预测模型可以是基于若干被标注了责任认定结果的特征数据样本训练出的机器学习模型。
在实际应用中，该机器学习模型可以是二分类模型，该责任认定结果可以是有责任或无责任。也即，该预测模型基于该特征数据预测出的该目标事故车辆在该目标交通事故中的责任认定结果可以是有责任或无责任。
或者，该机器学习模型可以是多分类模型(例如：深度神经网络模型)，该责任认定结果可以是以下责任认定结果中的一种：全责、主责、次责、同责和无责。也即，该预测模型基于该特征数据预测出的该目标事故车辆在该目标交通事故中的责任认定结果可以是以下责任认定结果中的一种：全责、主责、次责、同责和无责。
在本实施例中，在由上述预测模型预测出了上述目标事故车辆在上述目标交通事故中的责任认定结果之后，上述业务执行方电子设备可以输出该责任认定结果，以基于该责任认定结果执行相应的业务处理。
在实际应用中，一方面，可以由该业务执行方电子设备直接基于输出的该责任认定结果，以及该业务执行方的用户预先设置的业务处理策略，执行追责或理赔等业务处理；另一方面，该业务执行方电子设备可以将预测出的该责任认定结果输出至显示屏幕，即将该责任认定结果展示在显示屏幕上，以供该业务执行方的用户查看，从而使该业务执行方的用户可以根据该责任认定结果执行追责或理赔等业务处理。
下面对对机器学习模型进行训练以得到上述预测模型的过程进行描述。
需要说明的是，机器学习模型的训练步骤可以由上述业务执行方电子设备执行，也可以由其他电子设备执行，并由该业务执行方的用户将训练得到的该预测模型转存至该业务执行方电子设备，从而使该业务执行方电子设备可以通过该预测模型进行责任认定结果预测。
在实际应用中，可以从记录在案的历史交通事故的相关数据中获取合适数量(该数量具体可以由该业务执行方的用户自行设置)的特征数据样本；其中，一个特征数据样本具体可以包括一件历史交通事故中的一辆事故车辆的特征数据。
需要说明的是，对机器学习模型进行训练时所使用的特征数据样本中的数据类型，与通过上述预测模型进行责任认定结果预测时所使用的特征数据中的数据类型相同。
举例来说，假设对机器学习模型进行训练时所使用的特征数据样本包括事故车辆的行驶速度、行驶方向以及该事故车辆与其所属的历史交通事故中的其他事故车辆的相对位置关系这三种类型的数据，则通过该预测模型进行责任认定结果预测时所使用的特征数据应当包括上述目标事故车辆的行驶速度、行驶方向以及该目标事故车辆与其所属的目标交通事故中的其他事故车辆的相对位置关系这三种类型的数据。
在另一个例子中，假设对机器学习模型进行训练时所使用的特征数据样本仅包括事故车辆的行驶速度、行驶方向这两种类型的数据，则通过该预测模型进行责任认定结果预测时所使用的特征数据应当仅包括上述目标事故车辆的行驶速度、行驶方向这两种类型的数据。
在获取到上述特征数据样本之后，可以分别为这些特征数据样本标注对应的责任认定结果，例如：假设某个特征数据样本包括历史交通事故A中的事故车辆A的特征数据，则为该特征数据样本标注的责任认定结果是事故车辆A在历史交通事故A中的责任认定结果。
后续，可以将这些被标注了责任认定结果的特征数据样本输入至由上述业务执行方的用户预先设置的机器学习模型进行计算，并根据计算结果调整该机器学习模型的模型参数，以降低该机器学习模型的损失函数。在该机器学习模型的损失函数降低至预期阈值(该预期阈值可以具体可以由该业务执行方的用户自行设置)时，可以认为该机器学习模型已经训练完成，进而可以将训练完成的该机器学习模型作为上述预测模型，以通过该预测模型进行责任认定结果预测。
在上述技术方案中，由于可以基于与已经发生的交通事故对应的事故车辆的车辆行驶数据，预测该事故车辆在该交通事故中的责任认定结果，并输出预测出的该责任认定结果，以基于该责任认定结果执行相应的业务处理，即可以实现自动对交通事故中的事故车辆进行交通事故责任认定，而无需通过人工的方式对交通事故中的事故车辆进行交通事故责任认定，因此可以提高交通事故责任认定的效率，为后续根据责任认定结果执行相应的业务处理提供便利。
与前述交通事故处理方法的实施例相对应，本说明书还提供了交通事故处理装置的实施例。
本说明书交通事故处理装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图3所示，为本说明书交通事故处理装置所在电子设备的一种硬件结构图，除了图3所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常根据该交通事故处理的实际功能，还可以包括其他硬件，对此不再赘述。
请参考图4，图4是本说明书一示例性实施例示出的一种交通事故处理装置的框图。该交通事故处理装置40可以应用于图3所示的电子设备，包括：
获取模块401，获取与目标交通事故对应的目标事故车辆的车辆行驶数据；
提取模块402，基于所述车辆行驶数据提取特征数据；其中，所述特征数据为与对所述目标事故车辆执行的在所述目标交通事故中的责任认定相关的数据；
预测模块403，将所述特征数据输入至预测模型，以由所述预测模型基于所述特征数据预测所述目标事故车辆在所述目标交通事故中的责任认定结果；其中，所述预测模型为基于若干被标注了责任认定结果的特征数据样本训练出的机器学习模型；
输出模块404，输出预测出的所述目标事故车辆在所述目标交通事故中的责任认定结果。
在本实施例中，所述车辆行驶数据可以包括：车辆加速度数据；以及，在所述目标交通事故发生之前的预设时段内的定位位置数据。
在本实施例中，所述获取模块401：
获取与目标交通事故对应的目标事故车辆搭载的加速度传感器采集到的车辆加速度数据；
获取所述目标事故车辆搭载的移动终端设备在所述目标交通事故发生之前的预设时段内采集到的定位位置数据。
在本实施例中，所述提取模块402：
基于所述车辆加速度数据确定所述目标事故车辆的行驶速度；
基于所述定位位置数据，确定所述目标事故车辆的行驶方向和与所述目标交通事故中的其他事故车辆的相对位置关系；
将所述行驶速度、所述行驶方向和所述相对位置关系确定为特征数据。
在本实施例中，所述责任认定结果为有责任或无责任，所述机器学习模型为二分类模型；
或者，所述责任认定结果为以下责任认定结果中的一种：全责、主责、次责、同责和无责，所述机器学习模型为多分类模型。
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述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模块上。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说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
在一个典型的配置中，计算机包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
上述对本说明书特定实施例进行了描述。其它实施例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步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
在本说明书一个或多个实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书一个或多个实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。

Claims (14)

1.一种交通事故处理方法，所述方法包括：
获取与目标交通事故对应的目标事故车辆以及其他事故车辆的车辆行驶数据；所述车辆行驶数据包括定位位置数据；
基于所述车辆行驶数据提取用于进行事故责任认定的特征数据；其中，所述特征数据包括基于所述定位位置数据确定出的所述目标事故车辆与所述目标交通事故相关的其他事故车辆之间的相对位置关系；
将所述特征数据输入至预测模型，以由所述预测模型基于所述特征数据预测所述事故车辆在所述目标交通事故中的责任认定结果；其中，所述预测模型为基于若干被标注了责任认定结果的特征数据样本训练出的机器学习模型。
2.根据权利要求1所述的方法，所述车辆行驶数据还包括车辆加速度数据；所述特征数据还包括基于所述车辆加速度数据确定出的所述目标事故车辆的行驶速度。
3.根据权利要求1所述的方法，所述特征数据还包括基于所述定位位置数据确定出的所述目标事故车辆的行驶方向。
4.根据权利要求1所述的方法，所述定位位置数据包括在所述目标交通事故发生之前的预设时段内的定位位置数据。
5.根据权利要求2所述的方法，所述获取与目标交通事故对应的目标事故车辆的车辆行驶数据，包括：
获取与目标交通事故对应的目标事故车辆搭载的加速度传感器采集到的车辆加速度数据；
获取所述目标事故车辆搭载的移动终端设备在所述目标交通事故发生之前的预设时段内采集到的定位位置数据。
6.根据权利要求1所述的方法，所述责任认定结果为有责任或无责任，所述机器学习模型为二分类模型；
或者，所述责任认定结果为以下责任认定结果中的一种：全责、主责、次责、同责和无责，所述机器学习模型为多分类模型。
7.一种交通事故处理装置，所述装置包括：
获取模块，获取与目标交通事故对应的目标事故车辆以及其他事故车辆的车辆行驶数据；所述车辆行驶数据包括定位位置数据；
提取模块，基于所述车辆行驶数据提取用于进行事故责任认定的特征数据；其中，所述特征数据包括基于所述定位位置数据确定出的所述目标事故车辆与所述目标交通事故相关的其他事故车辆之间的相对位置关系；
预测模块，将所述特征数据输入至预测模型，以由所述预测模型基于所述特征数据预测所述事故车辆在所述目标交通事故中的责任认定结果；其中，所述预测模型为基于若干被标注了责任认定结果的特征数据样本训练出的机器学习模型。
8.根据权利要求7所述的装置，所述车辆行驶数据还包括车辆加速度数据；所述特征数据还包括基于所述车辆加速度数据确定出的所述目标事故车辆的行驶速度。
9.根据权利要求7所述的装置，所述特征数据还包括基于所述定位位置数据确定出的所述目标事故车辆的行驶方向。
10.根据权利要求7所述的装置，所述定位位置数据包括在所述目标交通事故发生之前的预设时段内的定位位置数据。
11.根据权利要求8所述的装置，所述获取模块：
获取与目标交通事故对应的目标事故车辆搭载的加速度传感器采集到的车辆加速度数据；
获取所述目标事故车辆搭载的移动终端设备在所述目标交通事故发生之前的预设时段内采集到的定位位置数据。
12.根据权利要求7所述的装置，所述责任认定结果为有责任或无责任，所述机器学习模型为二分类模型；
或者，所述责任认定结果为以下责任认定结果中的一种：全责、主责、次责、同责和无责，所述机器学习模型为多分类模型。
13.一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器通过运行所述可执行指令以实现如权利要求1至6中任一项所述的方法。
14.一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如权利要求1至6中任一项所述方法的步骤。
CN202111589322.0A 2019-12-04 2019-12-04 交通事故处理方法和装置、电子设备 Pending CN114283040A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111589322.0A CN114283040A (zh) 2019-12-04 2019-12-04 交通事故处理方法和装置、电子设备

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201911228506.7A CN111161533B (zh) 2019-12-04 2019-12-04 交通事故处理方法和装置、电子设备
CN202111589322.0A CN114283040A (zh) 2019-12-04 2019-12-04 交通事故处理方法和装置、电子设备

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201911228506.7A Division CN111161533B (zh) 2019-12-04 2019-12-04 交通事故处理方法和装置、电子设备

Publications (1)

Publication Number Publication Date
CN114283040A true CN114283040A (zh) 2022-04-05

Family

ID=70556386

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201911228506.7A Active CN111161533B (zh) 2019-12-04 2019-12-04 交通事故处理方法和装置、电子设备
CN202111589322.0A Pending CN114283040A (zh) 2019-12-04 2019-12-04 交通事故处理方法和装置、电子设备

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201911228506.7A Active CN111161533B (zh) 2019-12-04 2019-12-04 交通事故处理方法和装置、电子设备

Country Status (1)

Country Link
CN (2) CN111161533B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113808397A (zh) * 2021-09-01 2021-12-17 上海钧正网络科技有限公司 非机动车事故的数据处理方法、装置和云端服务器

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6223125B1 (en) * 1999-02-05 2001-04-24 Brett O. Hall Collision avoidance system
CN103440689A (zh) * 2013-06-24 2013-12-11 开平市中铝实业有限公司 一种全方位行车数字影像记录仪
CN105957345B (zh) * 2016-06-08 2017-10-31 南京航空航天大学 车辆行驶数据处理方法
CN106157614B (zh) * 2016-06-29 2020-09-04 北京奇虎科技有限公司 汽车事故责任确定方法及系统
CN107680012A (zh) * 2016-08-01 2018-02-09 奥迪股份公司 车辆辅助驾驶系统及方法
CN106651719A (zh) * 2016-11-10 2017-05-10 深圳市元征软件开发有限公司 一种基于体域网的交通事故责任认定方法及装置
EP3828657A1 (en) * 2016-12-23 2021-06-02 Mobileye Vision Technologies Ltd. Navigational system
CN109242739A (zh) * 2018-06-28 2019-01-18 平安科技（深圳）有限公司 交通事故处理方法、系统及服务器
CN110070642A (zh) * 2019-03-22 2019-07-30 天津大学 一种基于深度学习的交通事故责任评估方法及装置
CN109919140B (zh) * 2019-04-02 2021-04-09 浙江科技学院 车辆碰撞事故责任自动判定方法、系统、设备及存储介质

Also Published As

Publication number Publication date
CN111161533B (zh) 2021-11-02
CN111161533A (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
CN111046212A (zh) 交通事故处理方法和装置、电子设备
CN110033386B (zh) 车辆事故的鉴定方法及装置、电子设备
US9812015B1 (en) Systems and methods for determining parking information for a vehicle using vehicle data and external parking data
US20130122928A1 (en) Systems and methods for identifying and acting upon states and state changes
US11830295B2 (en) Determining vehicle service timeframes based on vehicle data
EP3188150A2 (en) Platform for acquiring driver behavior data
CN111968401B (zh) 车位推荐方法及装置、停车场的车位预测方法及装置
CN110348392B (zh) 车辆匹配方法及设备
CN113256993B (zh) 一种模型训练、分析车辆行驶风险的方法
CN113465615B (zh) 车道线的生成方法及相关装置
CN112435105A (zh) 基于区块链的租赁风险评估方法、装置、设备及系统
CN111161533B (zh) 交通事故处理方法和装置、电子设备
CN103391512A (zh) 位置管理系统
CN104598574A (zh) 一种海量gps数据存储的方法及装置
CN110389577B (zh) 一种确定驾驶风格的方法及装置
CN111047861A (zh) 交通事故处理方法和装置、电子设备
Ukkusuri et al. Transportation analytics in the era of big data
US20200111202A1 (en) Image processing apparatus, image processing method, and non-transitory readable recording medium storing program
CN112444831A (zh) 一种用于gps数据采集的终端省电方法、装置和智能终端
CN110766288A (zh) 理赔查勘员的分配方法和装置、电子设备
Chiang et al. Vehicle driving video sharing and search framework based on gps data
CN111664829A (zh) 一种校正方法、装置及计算机存储介质
CN116777207A (zh) 风险评估方法、装置、电子设备及可读存储介质
CN113312945A (zh) 车辆识别方法、装置、电子设备及可读存储介质
CN115879147B (zh) 一种基于大数据的计算机信息安全管理方法及系统

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