CN114333317B - 一种交通事件的处理方法、装置、电子设备及存储介质 - Google Patents
一种交通事件的处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114333317B CN114333317B CN202111669515.7A CN202111669515A CN114333317B CN 114333317 B CN114333317 B CN 114333317B CN 202111669515 A CN202111669515 A CN 202111669515A CN 114333317 B CN114333317 B CN 114333317B
- Authority
- CN
- China
- Prior art keywords
- event
- current
- road network
- traffic
- historical
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明实施例提供了一种交通事件的处理方法、装置、电子设备及存储介质,方法包括:获取当前交通事件的当前事件信息、路网交通数据以及历史交通事件的历史事件信息,将当前事件信息和路网交通数据输入预先训练的路网预测模型,获得当前交通事件对应的影响因子;将当前事件信息和历史事件信息输入预先训练的风险评估模型,获得当前交通事件对应的安全风险因子。基于影响因子、安全风险因子及预设权重,计算当前交通事件对应的事件评分,根据事件评分以及预设筛选规则,确定当前交通事件是否为目标交通事件,并输出目标交通事件的当前事件信息,以使工作人员对当前交通事件进行处理。大大提高了工作人员的工作效率和交通事件的处理效率。
Description
技术领域
本发明涉及交通事件处理技术领域,特别是涉及一种交通事件的处理方法、装置、电子设备及存储介质。
背景技术
随着图像识别技术和数据处理技术的快速发展,越来越多的道路交通事件检测设备广泛应用于道路交通管理系统中。道路交通事件检测设备可以实时获取道路交通数据,从而确定发生的交通事件,如道路拥堵、车辆逆行、违章停车等,并将交通事件上报到道路交通管理系统,工作人员在获知交通事件后,会进行相应处理。
由于道路交通事件检测设备在上报交通事件时缺乏筛选机制,无法分辨道路交通事件是否需要工作人员处理,导致上报的道路交通事件过多且冗余。道路交通工作人员数量有限,需要处理海量的交通事件,严重影响了工作人员的工作效率和交通事件的处理效率。
发明内容
本发明实施例的目的在于提供一种交通事件的处理方法、装置、电子设备及存储介质,以提高工作人员的工作效率和交通事件的处理效率。具体技术方案如下:
第一方面,本发明实施例提供了一种交通事件的处理方法,所述方法包括:
获取当前交通事件的当前事件信息、路网交通数据以及历史交通事件的历史事件信息;
将所述当前事件信息和所述路网交通数据输入预先训练的路网预测模型,获得所述当前交通事件对应的影响因子,其中,所述影响因子用于标识所述当前交通事件对路网运行的影响程度,所述路网预测模型基于历史事件信息和历史路网交通数据训练得到;
将所述当前事件信息和所述历史事件信息输入预先训练的风险评估模型,获得所述当前交通事件对应的安全风险因子,其中,所述安全风险因子用于标识所述当前交通事件的风险等级,所述风险评估模型基于历史事件信息训练得到;
基于所述影响因子、所述安全风险因子及预设权重,计算所述当前交通事件对应的事件评分;
根据所述事件评分以及预设筛选规则,确定所述当前交通事件是否为目标交通事件,并在所述当前交通事件为目标交通事件的情况下,输出所述当前交通事件的当前事件信息,以使工作人员对所述当前交通事件进行处理,其中,所述目标交通事件为需要工作人员进行处理的交通事件。
可选的,所述将所述当前事件信息和所述路网交通数据输入预先训练的路网预测模型,获得所述当前交通事件对应的影响因子的步骤,包括:
将所述路网交通数据输入所述路网预测模型,基于所述路网交通数据预测未来预设时间段内的路网运行情况,得到第一预测结果;
将所述当前事件信息和所述路网交通数据输入所述路网预测模型,基于所述当前事件信息和所述路网交通数据预测所述未来预设时间段内的路网运行情况,得到第二预测结果;
基于所述第一预测结果与所述第二预测结果之间的差异,确定所述当前交通事件对应的影响因子。
可选的,所述路网交通数据包括当前路网车速数据,所述第一预测结果为第一车速预测结果,所述第二预测结果为第二车速预测结果;
所述基于所述第一预测结果与所述第二预测结果之间的差异,确定所述当前交通事件对应的影响因子的步骤,包括:
根据所述第一车速预测结果与所述第二车速预测结果之间的车速差异,计算得到所述当前交通事件对应的影响因子。
可选的,所述将所述当前事件信息和所述历史事件信息输入预先训练的风险评估模型,获得所述当前交通事件对应的安全风险因子的步骤,包括:
将所述当前事件信息和所述历史事件信息输入预先训练的风险评估模型,分别提取所述当前事件信息和所述历史事件信息的事件特征;
根据所述当前事件信息的事件特征与所述历史事件信息的事件特征之间的相似度,确定所述当前交通事件对应的安全风险因子。
可选的,所述基于所述影响因子、所述安全风险因子及预设权重,计算所述当前交通事件对应的事件评分的步骤,包括:
根据所述影响因子对应的第一预设权重以及所述安全风险因子对应的第二预设权重,对所述影响因子和所述安全风险因子进行加权求和,得到所述当前交通事件对应的事件评分。
可选的,所述路网交通数据还包括以下至少一种:路网拓扑结构、天气数据、日期数据、与所述当前交通事件同时段的历史路网车速数据、监控数据。
第二方面,本发明实施例提供了一种交通事件的处理装置,所述装置包括:
信息获取模块,用于获取当前交通事件的当前事件信息、路网交通数据以及历史交通事件的历史事件信息;
路网预测模块,用于将所述当前事件信息和所述路网交通数据输入预先训练的路网预测模型,获得所述当前交通事件对应的影响因子,其中,所述影响因子用于标识所述当前交通事件对路网运行的影响程度,所述路网预测模型基于历史事件信息和历史路网交通数据训练得到;
风险评估模块,用于将所述当前事件信息和所述历史事件信息输入预先训练的风险评估模型,获得所述当前交通事件对应的安全风险因子,其中,所述安全风险因子用于标识所述当前交通事件的风险等级,所述风险评估模型基于历史事件信息训练得到;
评分计算模块,用于基于所述影响因子、所述安全风险因子及预设权重,计算所述当前交通事件对应的事件评分;
信息输出模块,用于根据所述事件评分以及预设筛选规则,确定所述当前交通事件是否为目标交通事件,并在所述当前交通事件为目标交通事件的情况下,输出所述当前交通事件的当前事件信息,以使工作人员对所述当前交通事件进行处理,其中,所述目标交通事件为需要工作人员进行处理的交通事件。
可选的,所述路网预测模块包括:
第一预测单元,用于将所述路网交通数据输入所述路网预测模型,基于所述路网交通数据预测未来预设时间段内的路网运行情况,得到第一预测结果;
第二预测单元,用于将所述当前事件信息和所述路网交通数据输入所述路网预测模型,基于所述当前事件信息和所述路网交通数据预测所述未来预设时间段内的路网运行情况,得到第二预测结果;
影响因子确定单元,用于基于所述第一预测结果与所述第二预测结果之间的差异,确定所述当前交通事件对应的影响因子。
可选的,所述路网交通数据包括当前路网车速数据,所述第一预测结果为第一车速预测结果,所述第二预测结果为第二车速预测结果;
所述影响因子确定单元包括:
影响因子确定子单元,用于根据所述第一车速预测结果与所述第二车速预测结果之间的车速差异,计算得到所述当前交通事件对应的影响因子。
可选的,所述风险评估模块包括:
特征提取单元,用于将所述当前事件信息和所述历史事件信息输入预先训练的风险评估模型,分别提取所述当前事件信息和所述历史事件信息的事件特征;
安全风险因子确定单元,用于根据所述当前事件信息的事件特征与所述历史事件信息的事件特征之间的相似度,确定所述当前交通事件对应的安全风险因子。
可选的,所述评分计算模块包括:
评分计算单元,用于根据所述影响因子对应的第一预设权重以及所述安全风险因子对应的第二预设权重,对所述影响因子和所述安全风险因子进行加权求和,得到所述当前交通事件对应的事件评分。
可选的,所述路网交通数据还包括以下至少一种:路网拓扑结构、天气数据、日期数据、与所述当前交通事件同时段的历史路网车速数据、监控数据。
第三方面,本发明实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述第一方面任一所述的方法步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面任一所述的方法步骤。
本发明实施例有益效果:
本发明实施例提供的方案中,电子设备可以获取当前交通事件的当前事件信息、路网交通数据以及历史交通事件的历史事件信息,并将当前事件信息和路网交通数据输入预先训练的路网预测模型,获得当前交通事件对应的影响因子,其中,影响因子用于标识所述当前交通事件对路网运行的影响程度,路网预测模型基于历史事件信息和历史路网交通数据训练得到;将当前事件信息和历史事件信息输入预先训练的风险评估模型,获得当前交通事件对应的安全风险因子,其中,安全风险因子用于标识当前交通事件的风险等级,风险评估模型基于历史事件信息训练得到。基于影响因子、安全风险因子及预设权重,电子设备可以计算当前交通事件对应的事件评分,进而根据事件评分以及预设筛选规则,确定当前交通事件是否为目标交通事件,并在当前交通事件为目标交通事件的情况下,输出当前交通事件的当前事件信息,以使工作人员对当前交通事件进行处理,其中,目标交通事件为需要工作人员进行处理的交通事件。由于可以基于当前交通事件对路网运行的影响因子和安全风险因子,确定当前交通事件是否需要工作人员处理,进而输出需要工作人员处理的当前交通事件的当前事件信息,而不是将所有交通事件均作为需要工作人员处理的交通事件,大大提高了工作人员的工作效率和交通事件的处理效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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地介绍,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,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的实施例。
图1为本发明实施例所提供的一种交通事件的处理方法的流程图;
图2为基于图1所示实施例中步骤S102的一种具体流程图;
图3为基于图1所示实施例中步骤S103的一种具体流程图;
图4为基于图1所示实施例的交通事件的处理方法的过程示意图;
图5为本发明实施例所提供的一种交通事件的处理装置的结构示意图;
图6为基于图5所示实施例的路网预测模块的一种结构示意图;
图7为基于图5所示实施例的风险评估模块的一种结构示意图;
图8为本发明实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员基于本发明所获得的所有其他实施例,都属于本发明保护的范围。
为了从海量的交通事件中筛选需要工作人员处理的交通事件,提高工作人员的工作效率和交通事件的处理效率,本发明实施例提供了一种交通事件的处理方法、装置、电子设备及存储介质,下面首先对本发明实施例所提供的一种交通事件的处理方法进行介绍。
本发明实施例所提供的交通事件的处理方法可以应用于道路交通管理系统中任意需要对交通事件进行处理的电子设备,例如,可以为交通管理系统的控制器、交通事件检测设备、交通事件检测设备对应的服务器,在此不做具体限定。为了描述清楚,后续称为电子设备。
如图1所示,一种交通事件的处理方法,所述方法包括:
S101,获取当前交通事件的当前事件信息、路网交通数据以及历史交通事件的历史事件信息。
S102,将所述当前事件信息和所述路网交通数据输入预先训练的路网预测模型,获得所述当前交通事件对应的影响因子;
其中,所述影响因子用于标识所述当前交通事件对路网运行的影响程度,所述路网预测模型基于历史事件信息和历史路网交通数据训练得到。
S103,将所述当前事件信息和所述历史事件信息输入预先训练的风险评估模型,获得所述当前交通事件对应的安全风险因子;
其中,所述安全风险因子用于标识所述当前交通事件的风险等级,所述风险评估模型基于历史事件信息训练得到。
S104,基于所述影响因子、所述安全风险因子及预设权重,计算所述当前交通事件对应的事件评分。
S105,根据所述事件评分以及预设筛选规则,确定所述当前交通事件是否为目标交通事件,并在所述当前交通事件为目标交通事件的情况下,输出所述当前交通事件的当前事件信息,以使工作人员对所述当前交通事件进行处理;
其中,所述目标交通事件为需要工作人员进行处理的交通事件。
可见,本发明实施例提供的方案中,电子设备可以获取当前交通事件的当前事件信息、路网交通数据以及历史交通事件的历史事件信息,并将当前事件信息和路网交通数据输入预先训练的路网预测模型,获得当前交通事件对应的影响因子,其中,影响因子用于标识所述当前交通事件对路网运行的影响程度,路网预测模型基于历史事件信息和历史路网交通数据训练得到;将当前事件信息和历史事件信息输入预先训练的风险评估模型,获得当前交通事件对应的安全风险因子,其中,安全风险因子用于标识当前交通事件的风险等级,风险评估模型基于历史事件信息训练得到。基于影响因子、安全风险因子及预设权重,电子设备可以计算当前交通事件对应的事件评分,进而根据事件评分以及预设筛选规则,确定当前交通事件是否为目标交通事件,并在当前交通事件为目标交通事件的情况下,输出当前交通事件的当前事件信息,以使工作人员对当前交通事件进行处理,其中,目标交通事件为需要工作人员进行处理的交通事件。由于可以基于当前交通事件对路网运行的影响因子和安全风险因子,确定当前交通事件是否需要工作人员处理,进而输出需要工作人员处理的当前交通事件的当前事件信息,而不是将所有交通事件均作为需要工作人员处理的交通事件,大大提高了工作人员的工作效率和交通事件的处理效率。
交通事件检测设备可以实时获取交通数据,从而确定发生的交通事件,如道路拥堵、车辆逆行、违章停车、闯红灯、压线等,并将交通事件上报到交通管理系统,由于交通事件检测设备在上报交通事件时缺乏筛选机制,会将所有交通事件上报,导致上报的交通事件过多且冗余。
为了从海量的交通事件中筛选出真正需要工作人员处理的交通事件,提高工作人员的工作效率和交通事件的处理效率,电子设备可以基于路网运行状况、交通事件对路网运行状况的影响在路网中的蔓延情况及交通事件的安全风险等多个维度判断交通事件的严重程度,从而筛选出需要工作人员处理的交通事件,进而,可以交由工作人员处理。
在上述步骤S101中,在交通事件发生时,电子设备可以获取当前交通事件的当前事件信息、路网交通数据以及历史交通事件的历史事件信息。交通事件检测设备可以实时获取交通数据,并根据交通数据确定发生的交通事件。在一种实施方式中,交通事件检测设备可以实时检测某一路段的车辆的车速数据,通过与其它路段的车速数据或者历史同一时刻的车速数据比较,交通事件检测设备可以确定该路段是否发生交通拥堵。
电子设备可以获取发生的交通事件,作为当前交通事件,例如,当前交通事件可以包括交通拥堵、车辆逆行、违章停车、机动车占用应急车道、交通事故等,在此不做限定。
当前交通事件的当前事件信息可以为能够标识当前交通事件的事件类型、发生事件、发生路段等的相关信息。例如,当前交通事件为交通拥堵,那么电子设备可以获取发生交通拥堵的具体位置、发生交通拥堵的时间、交通拥堵影响的车辆数量及影响的车辆的车速等信息,作为当前事件信息。
由于当前交通事件与当前路网的状况息息相关,所以电子设备可以获取当前交通事件对应的路网交通数据,路网交通数据可以包括路网车速数据,还可以包括路网拓扑结构、天气数据、日期数据、与当前交通事件同时段的历史路网车速数据、监控数据等中的一种或多种,可以根据实际处理效率、交通事件筛选的严格程度等因素确定,在此不做具体限定。
为了评估当前交通事件的安全风险,电子设备可以获取历史交通事件的历史事件信息,历史交通事件为工作人员处理过的交通事件,历史交通事件的历史事件信息具体可以包括历史交通事件的道路类型、处理历史交通事件时的平均通车数量、历史交通事件的事件类别、历史交通事件的发生时间、处理历史交通事件的时长等信息。
电子设备获取当前交通事件的当前事件信息、路网交通数据以及历史交通事件的历史事件信息后,可以将当前事件信息和路网交通数据输入预先训练的路网预测模型,获得当前交通事件对应的影响因子,即执行上述步骤S102。
为了分析评估当前交通事件对道路交通整体运行的影响,可以预先训练得到路网预测模型,以用于预测未来某一时间段的路网运行状况。在一种实施方式中,可以采用深度学习模型学习交通事件对未来时段的路网整体交通运行产生的影响,从而得到路网预测模型。其中,深度学习模型可以为STGCN(Spatial Temporal Graph Convolutional Network,时空图卷积网络)、ST-ResNet(Spatial Temporal Residual Network,时空残差网络)等,在此不做具体限定。
在训练路网预测模型的过程中,可以将历史事件信息和历史路网交通数据作为样本数据进行模型训练,历史事件信息可以包括历史交通事件的事件类型、发生时间、发生地点等,历史路网交通数据可以包括预测时间点同时段的路网车速数据、路网拓扑结构、天气数据、日期数据、预测时间点前一定时间段的路网车速数据等。
在对路网预测模型进行训练时,可以将历史事件信息和预测时间点点前一定时间段的路网交通数据输入路网预测模型,路网预测模型可以学习路网车速的时变规律、车速变化和交通事件影响的空间蔓延规律等信息,从而输出预测的预测时间点同时段的路网交通数据,进而,可以基于预测时间点同时段的真实的历史路网交通数据与预测的路网交通数据之间的差异,调整路网预测模型的模型参数,来持续减小预测误差,直到迭代次数达到预设次数或预测准确率达到预设准确率,可以确定模型收敛,得到路网预测模型。这样,训练完成的路网预测模型具有基于当前路网相关数据预测未来时间段的路网交通数据的能力,可以评估当前交通事件对路网运行的影响程度。
电子设备可以将当前事件信息和路网交通数据输入预先训练的路网预测模型,获得当前交通事件对应的影响因子,影响因子可以用于标识当前交通事件对路网运行的影响程度。在一种实施方式中,影响因子越大,表示当前交通事件对路网运行的影响程度越高,当前交通事件的处理优先级也就越高,需要工作人员优先处理。
当前交通事件的安全风险等级也是决定当前交通事件是否需要工作人员处理的一个重要因素,所以为了确定当前交通事件的安全风险等级,电子设备可以将当前事件信息和历史事件信息输入预先训练的风险评估模型,获得当前交通事件对应的安全风险因子,即执行上述步骤S103。
为了分析评估当前交通事件的安全风险,可以预先训练风险评估模型,用于评估交通事件的安全风险。在一种实施方式中,风险评估模型可以为决策树模型。在对风险评估模型进行训练的过程中,可以将历史交通事件的历史事件信息作为样本数据,其中,历史事件信息可以包括历史交通事件的道路类型、处理历史交通事件时的平均通车数量、历史交通事件的事件类别、历史交通事件的发生时间、处理历史交通事件的时长等信息。
在对风险评估模型进行训练时,风险评估模型可以提取历史事件信息的事件特征,进而通过样本数据的不断迭代,风险评估模型可以学习到事件特征与安全风险等级之间的对应关系。这样,训练完成的风险评估模型具有提取交通信息的事件特征,进而评估交通事件的风险等级的能力,可以用于评估当前交通事件的安全风险等级。
电子设备可以将当前事件信息和历史事件信息输入预先训练的风险评估模型,获得当前交通事件对应的安全风险因子。在一种实施方式中,风险评估模型可以分别提取当前事件信息和历史事件信息的事件特征,并确定当前事件信息的事件特征与历史事件信息的事件特征之间的相似度,进而基于该相似度确定当前交通事件对应的安全风险因子。
安全风险因子可以用于标识当前交通事件的风险等级。作为一种实施方式,安全风险因子越大,表示当前交通事件的风险等级越高,当前交通事件的处理优先级也就越高,需要工作人员优先处理。
进而,在上述步骤S104中,电子设备可以基于影响因子、安全风险因子及预设权重,计算当前交通事件对应的事件评分。影响因子和安全风险因子的大小同时影响当前交通事件的处理优先级,为了准确判断当前交通事件的处理优先级,确定当前交通事件是否需要工作人员进行处理,可以预设影响因子和安全风险因子对应的权重,并基于当前交通事件的影响因子、安全风险因子以及对应的权重,计算当前交通事件对应的事件评分。
作为一种实施方式,影响因子和安全风险因子对应的预设权重可以基于工作人员的交通事件处理经验结合交通事件处理领域的专家意见等进行设置,以保证预设权重的合理性。
在上述步骤S105中,电子设备可以根据事件评分以及预设筛选规则,确定当前交通事件是否为目标交通事件,并在当前交通事件为目标交通事件的情况下,输出当前交通事件的当前事件信息,以使工作人员对当前交通事件进行处理。
电子设备可以计算所有交通事件的事件评分,并基于预设筛选规则确定当前交通事件是否为目标交通事件。在一种实施方式中,如果影响因子越大,表示当前交通事件对路网运行的影响程度越高,安全风险因子越大,表示当前交通事件的风险等级越高,那么事件评分越高,则表示结合交通事件对路网运行的影响程度和安全风险等级的考虑,交通事件的严重程度越高,处理优先级也就越高。那么电子设备可以筛选事件评分超过预设评分的交通事件,作为目标交通事件。
电子设备可以在当前交通事件为目标交通事件的情况下,输出当前交通事件的当前事件信息,当前事件信息可以包括当前时间发生的具体位置、时间等信息,以便工作人员可以对当前交通事件进行处理。
采用本发明实施例所提供的方案中,电子设备可以通过路网预测模型获取当前交通事件的影响因子,通过风险评估模型获取当前交通事件的安全风险因子,并基于影响因子、安全风险因子及预设权重,计算事件评分,从而确定目标交通事件,工作人员可以对输出的目标交通事件进行处理。本方案支持多种交通事件的识别,可以应用于大规模的路网交通事件的筛选判断,本方案结合交通事件对路网运行的影响程度和安全风险等级,选择处理优先级高的交通事件输出,而不是将所有交通事件均作为需要工作人员处理的交通事件,筛选判断的结果更全面合理,便于工作人员快速进行处理,大大提高了工作人员的工作效率和交通事件的处理效率。
作为本发明实施例的一种实施方式,如图2所示,上述将所述当前事件信息和所述路网交通数据输入预先训练的路网预测模型,获得所述当前交通事件对应的影响因子的步骤,可以包括:
S201,将所述路网交通数据输入所述路网预测模型,基于所述路网交通数据预测未来预设时间段内的路网运行情况,得到第一预测结果。
由于路网预测模型可以预测未来一段时间内的路网运行情况,所以电子设备可以将当前的路网交通数据输入路网预测模型,路网预测模型可以基于当前的路网交通数据,预测未来预设时间段内的路网运行情况,得到第一预测结果。第一预测结果可以包括未来预设时间段内路网车速数据、平均通车数量等能够标识路网运行情况的信息。
其中,预设时间段与训练路网预测模型时所使用的样本数据对应的预测时间点同时段一致,例如,训练路网预测模型时所使用的样本数据对应的预测时间点同时段为10分钟,那么预设时间段即为10分钟。也就是说,路网预测模型可以预测的路网运行情况对应的预设时间段与训练时预测的路网运行情况对应的时间段一致。
S202,将所述当前事件信息和所述路网交通数据输入所述路网预测模型,基于所述当前事件信息和所述路网交通数据预测所述未来预设时间段内的路网运行情况,得到第二预测结果。
电子设备可以将当前事件信息和路网交通数据输入路网预测模型,路网预测模型可以基于当前事件信息和当前的路网交通数据,预测未来预设时间段内的路网运行情况,得到第二预测结果。
由于输入了当前事件信息,路网预测模型预测的未来预设时间段内的路网运行情况表征的是发生了当前交通事件后,未来预设时间段内的路网运行情况。所以第二预测结果与第一预测结果一般是不同的。其中第二预测结果也可以包括未来预设时间段内路网车速数据、平均通车数量等,在此不做具体限定。
S203,基于所述第一预测结果与所述第二预测结果之间的差异,确定所述当前交通事件对应的影响因子。
由于第一预测结果表征的是未发生当前交通事件的情况下,未来预设时间段内的路网运行情况,第二预测结果表征的是发生了当前交通事件的情况下,未来预设时间段内的路网运行情况,所以第一预测结果与所述第二预测结果之间的差异即可以表征当前交通事件的发生对未来预设时间段内的路网运行情况的影响。
因此,电子设备可以计算第一预测结果与第二预测结果之间的差异,进而,基于该差异通过预设计算方式,确定当前交通事件对应的影响因子。在一种实施方式中,第一预测结果和第二预测结果可以包括路网的平均通车数量,那么电子设备可以计算第一预测结果包括的平均通车数量和第二预测结果包括的平均通车数量之间的差值,进而将差值进行归一化处理,得到当前交通事件的影响因子。
可见,在本实施例中,路网预测模型的输入信息不包括当前事件信息时可以得到第一预测结果,路网预测模型的输入信息包括当前事件信息时可以得到第二预测结果。通过计算第一预测结果与第二预测结果之间的差异,电子设备可以确定当前交通事件对应的影响因子。基于路网预测模型可以得到准确的当前交通事件的影响因子,从而保证可以准确地计算当前交通事件对应的事件评分。
作为本发明实施例的一种实施方式,上述路网交通数据可以包括当前路网车速数据,那么上述第一预测结果则可以为第一车速预测结果,上述第二预测结果则可以为第二车速预测结果。
交通事件的发生基本均会在一定程度上影响车辆速度,所以车辆速度可以准确表征路网运行情况,因此,上述路网交通数据可以包括当前路网车速数据。在这种情况下,路网预测模型输出的第一预测结果则也是用于表示车辆速度的结果,即第一车速预测结果。同理的,路网预测模型输出的第二预测结果则也是用于表示车辆速度的结果,即第二车速预测结果。
相应的,上述基于所述第一预测结果与所述第二预测结果之间的差异,确定所述当前交通事件对应的影响因子的步骤,可以包括:
根据所述第一车速预测结果与所述第二车速预测结果之间的车速差异,计算得到所述当前交通事件对应的影响因子。
路网交通数据包括当前路网车速数据,那么在路网预测模型的训练过程中,输入的历史路网交通数据也就包括了历史路网车速数据,经过模型训练得到的路网预测模型相应的具有了对未来预设时间段内的路网车速的预测能力。那么电子设备则可以根据第一车速预测结果与第二车速预测结果之间的车速差异,计算得到当前交通事件对应的影响因子。
在一种实施方式中,第一车速预测结果和第二车速预测结果均可以为的平均车速,那么电子设备可以计算第一车速预测结果对应的平均车速和第二车速预测结果对应的平均车速的差值,进而将该差值进行归一化处理,得到当前交通事件的影响因子。
可见,在本实施例中,路网交通数据可以包括当前路网车速数据,进而,通过计算第一车速预测结果与第二车速预测结果的差异,电子设备可以确定采用车速差异标识的当前交通事件对应的影响因子。由于车辆速度可以准确表征路网运行情况,所以该影响因子可以更准确地标识当前交通事件对路网运行的影响程度。
作为本发明实施例的一种实施方式,如图3所示,上述将所述当前事件信息和所述历史事件信息输入预先训练的风险评估模型,获得所述当前交通事件对应的安全风险因子的步骤,可以包括:
S301,将所述当前事件信息和所述历史事件信息输入预先训练的风险评估模型,分别提取所述当前事件信息和所述历史事件信息的事件特征。
历史事件信息可以包括历史交通事件的道路类型、处理历史交通事件时的平均通车数量、历史交通事件的事件类别、历史交通事件的发生时间、处理历史交通事件的时长等信息,相对应的,当前事件信息也包括了当前交通事件的发生时间、具体位置、当前交通事件的事件类别等信息。
电子设备将当前事件信息和历史事件信息输入预先训练的风险评估模型,风险评估模型可以分别提取当前事件信息和历史事件信息的事件特征,提取的事件特征即为交通事件的一些特性,所以可以标识对应的交通事件的安全风险等级。
S302,根据所述当前事件信息的事件特征与所述历史事件信息的事件特征之间的相似度,确定所述当前交通事件对应的安全风险因子。
历史交通事件是工作人员处理过的交通事件,其事件特征可以标识各种不同的安全风险等级的交通事件,那么当前事件信息的事件特征与某种历史事件信息的事件特征之间的相似度越高,则表示当前交通事件与该历史交通事件的安全风险等级越相似。
所以电子设备可以计算当前事件信息的事件特征与历史事件信息的事件特征之间的相似度,从而确定当前交通事件对应的安全风险因子。相似度越高,表示当前事件信息与历史事件信息越相似,相应的安全风险等级也就越相似,从而可以评估出当前交通事件的风险等级,进而确定当前交通事件对应的安全风险因子。
例如,风险评估模型预先学习了历史交通事件与安全风险因子之间的关联关系,如下表所示:
序号 | 历史交通事件 | 安全风险等级 | 安全风险因子 |
1 | 历史交通事件1 | A | 1 |
2 | 历史交通事件2 | B | 0.8 |
… | … | … | … |
n | 历史交通事件n | N | 0.1 |
那么,如果风险评估模型确定当前交通事件的事件特征与历史交通事件2的事件特征之间的相似度最高,则可以确定当前交通事件对应的安全风险因子为0.8,进而输出该安全风险因子。
可见,在本实施例中,电子设备可以提取当前事件信息和历史事件信息的事件特征,并通过分析当前事件信息的事件特征与历史事件信息的事件特征的相似性,确定当前交通事件对应的安全风险因子。由于安全风险因子是基于当前事件信息与历史事件信息的相似度得到的,而历史交通事件是经过工作人员确认和处理的,当前交通事件对应的安全风险因子的可信度较高,可以准确计算当前交通事件对应的事件评分。
作为本发明实施例的一种实施方式,上述基于所述影响因子、所述安全风险因子及预设权重,计算所述当前交通事件对应的事件评分的步骤,可以包括:
根据所述影响因子对应的第一预设权重以及所述安全风险因子对应的第二预设权重,对所述影响因子和所述安全风险因子进行加权求和,得到所述当前交通事件对应的事件评分。
影响因子对应的第一预设权重和安全风险因子对应的第二预设权重可以基于工作人员的交通事件处理经验结合交通事件处理领域的专家意见进行设置。确定当前交通事件对应的影响因子和安全风险因子后,电子设备可以根据影响因子对应的第一预设权重以及安全风险因子对应的第二预设权重,对影响因子和安全风险因子进行加权求和,得到当前交通事件对应的事件评分。
例如,预设的影响因子γ路况对应的第一预设权重为0.4,安全风险因子γ安全对应的第二预设权重为0.6,当前交通事件的影响因子为1.5,安全风险因子为0.5,电子设备可以计算该当前交通事件的事件评分为1.5×0.4+0.5×0.6=0.9。
可见,在本实施例中,电子设备可以对影响因子和安全风险因子进行加权求和,得到当前交通事件对应的事件评分。事件评分充分考虑当前交通事件对路网交通运行的影响,以及当前交通事件的安全风险,采用加权求和的方式计算得到准确的事件评分,从而保证选取的目标交通事件的更加合理,保证目标交通事件是真正需要工作人员处理的交通事件。
作为本发明实施例的一种实施方式,上述路网交通数据还包括以下至少一种:路网拓扑结构、天气数据、日期数据、与所述当前交通事件同时段的历史路网车速数据、监控数据。
路网交通数据可以包括路网拓扑结构、天气数据、日期数据、与当前交通事件同时段的历史路网车速数据、监控数据等中的一种或几种,这样,在对路网预测模型进行训练时,路网预测模型预测的未来预设时间段内的路网运行情况就考虑了这些数据,使得路网预测模型预测路网运行情况所基于的因素更加全面,预测结果也就更加科学准确。
一种实施方式中,路网交通数据包括路网拓扑结构,那么路网预测模型预测所预测的未来预设时间段内的路网运行情况便可以更加具有针对性,可以表示当前交通事件对该路网拓扑结构的路网所产生的影响,还可以准确地表示当前交通事件对路网运行状况影响在该路网拓扑结构的路网中的蔓延情况。
一种实施方式中,路网交通数据包括日期数据和与当前交通事件同时段的历史路网车速数据,由于与当前交通事件同时段的历史路网车速数据可以充分反映当前交通事件的周期性规律,预测的未来预设时间段内的路网运行情况可以考虑该周期性规律,得出更加准确的当前交通事件对应的影响因子。
一种实施方式中,路网交通数据包括天气数据,由于天气数据会对车辆行驶造成一定的影响,所以在这种情况下,路网预测模型可以基于天气数据更准确地预测未来预设时间段内的路网运行情况。
可见,在本实施例中,路网交通数据还可以包括路网拓扑结构、天气数据、日期数据、与当前交通事件同时段的历史路网车速数据、监控数据等信息。使得路网预测模型可以基于更多的因素全面地预测未来预设时间段内的路网运行情况,进而可以更加准确地确定当前交通事件是否为目标交通事件,进一步提高工作人员的工作效率和交通事件的处理效率。
作为本发明实施例的一种实施方式,在工作人员对当前交通事件进行处理,获得当前交通事件的处理结果后,上述方法还可以包括:基于处理结果调整路网预测模型以及风险评估模型。
工作人员对当前交通事件进行处理后,可以得到当前交通事件的处理结果,由于该处理结果是真实的,所以基于该处理结果可以准确确定当前交通事件对于路网运行情况的影响程度以及安全风险等级。为了进一步优化上述路网预测模型以及风险评估模型,可以将当前交通事件的当前事件信息和当前交通事件对应路网交通数据作为样本数据,对路网预测模型以及风险评估模型进行参数调整,以优化路网预测模型以及风险评估模型。
可见,在本实施例中,电子设备可以在获得当前交通事件的处理结果后,基于处理结果调整路网预测模型以及风险评估模型,实现基于实际处理结果优化路网预测模型和风险评估模型,进一步提高路网预测模型和风险评估模型的精度。
下面结合图4所示的示意图对本发明实施例提供的交通事件的处理方法进行举例介绍。如图4所示,交通事件的处理方法可分为五个过程,分别为:获取数据源头、数据处理、模型计算、加权拟合、筛选目标交通事件并输出。
在获取数据源头过程中,电子设备可以提供数据接入能力以获取源头数据。为了评估当前交通事件对路网运行的影响程度,电子设备可以获取当前交通事件的当前事件信息;获取路网拓扑结构信息;获取天气信息;获取道路路况信息;获取基础数据记录信息,包括监控数据、路网车速数据、日期信息、时间信息等。为了评估当前交通事件的风险等级,电子设备可以获取历史交通事件的历史事件信息;获取当前交通事件的当前事件信息。电子设备可以根据使用需求扩展接入能力以获取更丰富的源头数据。
在数据处理过程中,电子设备可以对获取的源头数据进行处理。为了评估当前交通事件对路网运行的影响程度,电子设备可以对获取的源头数据进行数据质量评估、缺失值填补、数据结构化、当量转换等处理操作。为了评估当前交通事件的风险等级,电子设备可以对获取的源头数据进行历史事件信息/当前事件信息路网映射、历史事件信息/当前事件信息数据结构化等处理操作。电子设备可以根据使用需求扩展对源头数据进行处理操作的能力。
在模型计算过程中,电子设备可以对路网预测模型和风险评估模型进行训练,以提高路网预测模型的预测能力和风险评估模型的评估能力,可以对路网预测模型和风险评估模型进行迭代。针对路网预测模型,电子设备可以导入深度学习模型、将处理后的源头数据输入模型进行训练、基于各训练版本的模型及输入数据进行预测、对模型进行迭代等,从而实现基于交通事件信息和路网交通数据的路网预测模型的训练、预测和迭代功能。针对风险评估模型,电子设备可以对其进行模型训练、基于各训练版本的模型及输入数据进行预测、对模型进行迭代等。电子设备可以根据使用需求扩展模型的功能。
在加权拟合过程中,电子设备可以为路网预测模型输出的影响因子和风险评估模型输出的安全风险因子设计指标体系,并设计权重体系,进而计算出当前交通事件对应的事件评分。电子设备可以引入专家意见参考决策机制,结合领域内专家及资深工作人员的历史经验,根据路网预测模型输出的影响因子和风险评估模型输出的安全风险因子,设计相关指标计算方法,明确指标权重体系,从而提供最终的综合结果指标输出,作为当前交通事件对应的事件评分。电子设备可以根据使用需求扩展指标体系的设计方法。
在筛选目标交通事件并输出过程中,电子设备可以通过设计事件评分的判断阈值的方法来设计筛选规则,从而确定当前交通事件是否为目标交通事件,并在当前交通事件为目标交通事件的情况下,输出当前交通事件的当前事件信息,以使工作人员对当前交通事件进行处理。工作人员对当前交通事件进行处理后,电子设备可以对当前事件信息和路网交通数据进行结果标定,并将标定后的当前事件信息和路网交通数据输入路网预测模型和风险评估模型,进行模型的迭代与优化。
可见,在本实施例中,电子设备可以获取源头数据、对数据进行处理、对模型进行训练和迭代、设计权重体系和筛选目标交通事件并输出。本方案支持多种交通事件的识别,可以应用于大规模的路网交通事件的筛选判断,结合交通事件对路网运行的影响程度和安全风险等级,选择处理优先级高的交通事件输出,而不是将所有交通事件均作为需要工作人员处理的交通事件,筛选判断的结果更全面合理,便于工作人员快速进行处理,大大提高了工作人员的工作效率和交通事件的处理效率。
相应于上述交通事件的处理方法,本发明实施例还提供了一种交通事件的处理装置,下面对本发明实施例所提供的一种交通事件的处理装置进行介绍。
如图5所示,一种交通事件的处理装置,所述装置包括:
信息获取模块501,用于获取当前交通事件的当前事件信息、路网交通数据以及历史交通事件的历史事件信息。
路网预测模块502,用于将所述当前事件信息和所述路网交通数据输入预先训练的路网预测模型,获得所述当前交通事件对应的影响因子;
其中,所述影响因子用于标识所述当前交通事件对路网运行的影响程度,所述路网预测模型基于历史事件信息和历史路网交通数据训练得到。
风险评估模块503,用于将所述当前事件信息和所述历史事件信息输入预先训练的风险评估模型,获得所述当前交通事件对应的安全风险因子;
其中,所述安全风险因子用于标识所述当前交通事件的风险等级,所述风险评估模型基于历史事件信息训练得到。
评分计算模块504,用于基于所述影响因子、所述安全风险因子及预设权重,计算所述当前交通事件对应的事件评分。
信息输出模块505,用于根据所述事件评分以及预设筛选规则,确定所述当前交通事件是否为目标交通事件,并在所述当前交通事件为目标交通事件的情况下,输出所述当前交通事件的当前事件信息,以使工作人员对所述当前交通事件进行处理;
其中,所述目标交通事件为需要工作人员进行处理的交通事件。
可见,本发明实施例提供的方案中,电子设备可以获取当前交通事件的当前事件信息、路网交通数据以及历史交通事件的历史事件信息,并将当前事件信息和路网交通数据输入预先训练的路网预测模型,获得当前交通事件对应的影响因子,其中,影响因子用于标识所述当前交通事件对路网运行的影响程度,路网预测模型基于历史事件信息和历史路网交通数据训练得到;将当前事件信息和历史事件信息输入预先训练的风险评估模型,获得当前交通事件对应的安全风险因子,其中,安全风险因子用于标识当前交通事件的风险等级,风险评估模型基于历史事件信息训练得到。基于影响因子、安全风险因子及预设权重,电子设备可以计算当前交通事件对应的事件评分,进而根据事件评分以及预设筛选规则,确定当前交通事件是否为目标交通事件,并在当前交通事件为目标交通事件的情况下,输出当前交通事件的当前事件信息,以使工作人员对当前交通事件进行处理,其中,目标交通事件为需要工作人员进行处理的交通事件。由于可以基于当前交通事件对路网运行的影响因子和安全风险因子,确定当前交通事件是否需要工作人员处理,进而输出需要工作人员处理的当前交通事件的当前事件信息,而不是将所有交通事件均作为需要工作人员处理的交通事件,大大提高了工作人员的工作效率和交通事件的处理效率。
作为本发明实施例的一种实施方式,如图6所示,上述路网预测模块502可以包括:
第一预测单元601,用于将所述路网交通数据输入所述路网预测模型,基于所述路网交通数据预测未来预设时间段内的路网运行情况,得到第一预测结果。
第二预测单元602,用于将所述当前事件信息和所述路网交通数据输入所述路网预测模型,基于所述当前事件信息和所述路网交通数据预测所述未来预设时间段内的路网运行情况,得到第二预测结果。
影响因子确定单元603,用于基于所述第一预测结果与所述第二预测结果之间的差异,确定所述当前交通事件对应的影响因子。
作为本发明实施例的一种实施方式,上述路网交通数据包括当前路网车速数据,上述第一预测结果为第一车速预测结果,上述第二预测结果为第二车速预测结果;
上述影响因子确定单元603可以包括:
影响因子确定子单元,用于根据所述第一车速预测结果与所述第二车速预测结果之间的车速差异,计算得到所述当前交通事件对应的影响因子。
作为本发明实施例的一种实施方式,如图7所示,上述风险评估模块503可以包括:
特征提取单元701,用于将所述当前事件信息和所述历史事件信息输入预先训练的风险评估模型,分别提取所述当前事件信息和所述历史事件信息的事件特征。
安全风险因子确定单元702,用于根据所述当前事件信息的事件特征与所述历史事件信息的事件特征之间的相似度,确定所述当前交通事件对应的安全风险因子。
作为本发明实施例的一种实施方式,上述评分计算模块504可以包括:
评分计算单元,用于根据所述影响因子对应的第一预设权重以及所述安全风险因子对应的第二预设权重,对所述影响因子和所述安全风险因子进行加权求和,得到所述当前交通事件对应的事件评分。
作为本发明实施例的一种实施方式,上述路网交通数据还包括以下至少一种:路网拓扑结构、天气数据、日期数据、与所述当前交通事件同时段的历史路网车速数据、监控数据。
本发明实施例还提供了一种电子设备,如图8所示,包括处理器801、通信接口802、存储器803和通信总线804,其中,处理器801,通信接口802,存储器803通过通信总线804完成相互间的通信,
存储器803,用于存放计算机程序;
处理器801,用于执行存储器803上所存放的程序时,实现上述任一实施例所述的方法步骤。
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。可选的,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。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述的方法的步骤。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一实施例所述的方法步骤。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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、物品或者设备中还存在另外的匹配要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间匹配相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不匹配之处。尤其,对于装置、电子设备、计算机可读存储介质以及计算机程序产品实施例而言,由于其基本相似于方法实施例,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。
以上所述仅为本发明的较佳实施例,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (14)
1.一种交通事件的处理方法,其特征在于,所述方法包括:
获取当前交通事件的当前事件信息、路网交通数据以及历史交通事件的历史事件信息;
将所述当前事件信息和所述路网交通数据输入预先训练的路网预测模型,获得所述当前交通事件对应的影响因子,其中,所述影响因子用于标识所述当前交通事件对路网运行的影响程度,所述路网预测模型基于历史事件信息和历史路网交通数据训练得到;
将所述当前事件信息和所述历史事件信息输入预先训练的风险评估模型,获得所述当前交通事件对应的安全风险因子,其中,所述安全风险因子用于标识所述当前交通事件的风险等级,所述风险评估模型基于历史事件信息训练得到;
基于所述影响因子、所述安全风险因子及预设权重,计算所述当前交通事件对应的事件评分;
根据所述事件评分以及预设筛选规则,确定所述当前交通事件是否为目标交通事件,并在所述当前交通事件为目标交通事件的情况下,输出所述当前交通事件的当前事件信息,以使工作人员对所述当前交通事件进行处理,其中,所述目标交通事件为需要工作人员进行处理的交通事件。
2.根据权利要求1所述的方法,其特征在于,所述将所述当前事件信息和所述路网交通数据输入预先训练的路网预测模型,获得所述当前交通事件对应的影响因子的步骤,包括:
将所述路网交通数据输入所述路网预测模型,基于所述路网交通数据预测未来预设时间段内的路网运行情况,得到第一预测结果;
将所述当前事件信息和所述路网交通数据输入所述路网预测模型,基于所述当前事件信息和所述路网交通数据预测所述未来预设时间段内的路网运行情况,得到第二预测结果;
基于所述第一预测结果与所述第二预测结果之间的差异,确定所述当前交通事件对应的影响因子。
3.根据权利要求2所述的方法,其特征在于,所述路网交通数据包括当前路网车速数据,所述第一预测结果为第一车速预测结果,所述第二预测结果为第二车速预测结果;
所述基于所述第一预测结果与所述第二预测结果之间的差异,确定所述当前交通事件对应的影响因子的步骤,包括:
根据所述第一车速预测结果与所述第二车速预测结果之间的车速差异,计算得到所述当前交通事件对应的影响因子。
4.根据权利要求1所述的方法,其特征在于,所述将所述当前事件信息和所述历史事件信息输入预先训练的风险评估模型,获得所述当前交通事件对应的安全风险因子的步骤,包括:
将所述当前事件信息和所述历史事件信息输入预先训练的风险评估模型,分别提取所述当前事件信息和所述历史事件信息的事件特征;
根据所述当前事件信息的事件特征与所述历史事件信息的事件特征之间的相似度,确定所述当前交通事件对应的安全风险因子。
5.根据权利要求1所述的方法,其特征在于,所述基于所述影响因子、所述安全风险因子及预设权重,计算所述当前交通事件对应的事件评分的步骤,包括:
根据所述影响因子对应的第一预设权重以及所述安全风险因子对应的第二预设权重,对所述影响因子和所述安全风险因子进行加权求和,得到所述当前交通事件对应的事件评分。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述路网交通数据还包括以下至少一种:路网拓扑结构、天气数据、日期数据、与所述当前交通事件同时段的历史路网车速数据、监控数据。
7.一种交通事件的处理装置,其特征在于,所述装置包括:
信息获取模块,用于获取当前交通事件的当前事件信息、路网交通数据以及历史交通事件的历史事件信息;
路网预测模块,用于将所述当前事件信息和所述路网交通数据输入预先训练的路网预测模型,获得所述当前交通事件对应的影响因子,其中,所述影响因子用于标识所述当前交通事件对路网运行的影响程度,所述路网预测模型基于历史事件信息和历史路网交通数据训练得到;
风险评估模块,用于将所述当前事件信息和所述历史事件信息输入预先训练的风险评估模型,获得所述当前交通事件对应的安全风险因子,其中,所述安全风险因子用于标识所述当前交通事件的风险等级,所述风险评估模型基于历史事件信息训练得到;
评分计算模块,用于基于所述影响因子、所述安全风险因子及预设权重,计算所述当前交通事件对应的事件评分;
信息输出模块,用于根据所述事件评分以及预设筛选规则,确定所述当前交通事件是否为目标交通事件,并在所述当前交通事件为目标交通事件的情况下,输出所述当前交通事件的当前事件信息,以使工作人员对所述当前交通事件进行处理,其中,所述目标交通事件为需要工作人员进行处理的交通事件。
8.根据权利要求7所述的装置,其特征在于,所述路网预测模块包括:
第一预测单元,用于将所述路网交通数据输入所述路网预测模型,基于所述路网交通数据预测未来预设时间段内的路网运行情况,得到第一预测结果;
第二预测单元,用于将所述当前事件信息和所述路网交通数据输入所述路网预测模型,基于所述当前事件信息和所述路网交通数据预测所述未来预设时间段内的路网运行情况,得到第二预测结果;
影响因子确定单元,用于基于所述第一预测结果与所述第二预测结果之间的差异,确定所述当前交通事件对应的影响因子。
9.根据权利要求8所述的装置,其特征在于,所述路网交通数据包括当前路网车速数据,所述第一预测结果为第一车速预测结果,所述第二预测结果为第二车速预测结果;
所述影响因子确定单元包括:
影响因子确定子单元,用于根据所述第一车速预测结果与所述第二车速预测结果之间的车速差异,计算得到所述当前交通事件对应的影响因子。
10.根据权利要求7所述的装置,其特征在于,所述风险评估模块包括:
特征提取单元,用于将所述当前事件信息和所述历史事件信息输入预先训练的风险评估模型,分别提取所述当前事件信息和所述历史事件信息的事件特征;
安全风险因子确定单元,用于根据所述当前事件信息的事件特征与所述历史事件信息的事件特征之间的相似度,确定所述当前交通事件对应的安全风险因子。
11.根据权利要求7所述的装置,其特征在于,所述评分计算模块包括:
评分计算单元,用于根据所述影响因子对应的第一预设权重以及所述安全风险因子对应的第二预设权重,对所述影响因子和所述安全风险因子进行加权求和,得到所述当前交通事件对应的事件评分。
12.根据权利要求7-11任一项所述的装置,其特征在于,所述路网交通数据还包括以下至少一种:路网拓扑结构、天气数据、日期数据、与所述当前交通事件同时段的历史路网车速数据、监控数据。
13.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-6任一所述的方法步骤。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111669515.7A CN114333317B (zh) | 2021-12-31 | 2021-12-31 | 一种交通事件的处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111669515.7A CN114333317B (zh) | 2021-12-31 | 2021-12-31 | 一种交通事件的处理方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114333317A CN114333317A (zh) | 2022-04-12 |
CN114333317B true CN114333317B (zh) | 2023-06-02 |
Family
ID=81021144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111669515.7A Active CN114333317B (zh) | 2021-12-31 | 2021-12-31 | 一种交通事件的处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114333317B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115512546A (zh) * | 2022-10-08 | 2022-12-23 | 河南博汇智能科技有限公司 | 一种智慧高速交通流主动管理方法、装置及电子设备 |
CN115879848B (zh) * | 2023-02-20 | 2023-06-06 | 中铁建电气化局集团第三工程有限公司 | 一种运输车安全监测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108154681A (zh) * | 2016-12-06 | 2018-06-12 | 杭州海康威视数字技术股份有限公司 | 发生交通事故的风险预测方法、装置及系统 |
CN109360421A (zh) * | 2018-11-28 | 2019-02-19 | 平安科技(深圳)有限公司 | 一种基于机器学习的交通信息预测方法及装置、电子终端 |
CN111912415A (zh) * | 2020-08-05 | 2020-11-10 | 杭州海康威视数字技术股份有限公司 | 道路信息确定方法、装置、服务器和存储介质 |
CN112465869A (zh) * | 2020-11-30 | 2021-03-09 | 杭州海康威视数字技术股份有限公司 | 一种轨迹关联方法、装置、电子设备及存储介质 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101111862B (zh) * | 2004-12-06 | 2018-11-27 | 新科电子(资讯通信系统)私人有限公司 | 用于智能交通事故管理的方法和系统 |
CN101901546B (zh) * | 2010-04-29 | 2012-06-27 | 上海迪爱斯通信设备有限公司 | 基于动态信息的智能交通调度指挥及信息服务方法及系统 |
CA3021847A1 (en) * | 2016-04-21 | 2017-10-26 | Winning Algorithms Inc. | System and method for predicting hyper-local conditions and optimizing navigation performance |
CN106530706B (zh) * | 2016-12-02 | 2019-02-22 | 清华大学 | 一种基于连通性空间权重矩阵的区域交通安全评价方法 |
CN108428341A (zh) * | 2018-05-14 | 2018-08-21 | 齐鲁交通发展集团有限公司青临分公司 | 一种基于人机融合的交通应急管理调度方法及系统 |
CN109993970B (zh) * | 2019-03-15 | 2020-09-29 | 西南交通大学 | 一种城市区域交通事故风险预测方法 |
CN110826897A (zh) * | 2019-10-31 | 2020-02-21 | 深圳市商汤科技有限公司 | 地域安全评价方法、装置、设备及存储介质 |
US20210216928A1 (en) * | 2020-01-13 | 2021-07-15 | Johnson Controls Technology Company | Systems and methods for dynamic risk analysis |
CN111444323A (zh) * | 2020-02-25 | 2020-07-24 | 平安国际智慧城市科技股份有限公司 | 事故信息快速采集方法、装置、计算机设备及存储介质 |
CN112561175A (zh) * | 2020-12-18 | 2021-03-26 | 深圳赛安特技术服务有限公司 | 交通事故影响因子预测方法、装置、设备及存储介质 |
CN113283665B (zh) * | 2021-06-10 | 2022-07-19 | 北京邮电大学 | 一种基于路网的城市交通事故风险预测方法 |
CN214896679U (zh) * | 2021-06-11 | 2021-11-26 | 昭通亮风台信息科技有限公司 | 一种交通事故处理系统 |
-
2021
- 2021-12-31 CN CN202111669515.7A patent/CN114333317B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108154681A (zh) * | 2016-12-06 | 2018-06-12 | 杭州海康威视数字技术股份有限公司 | 发生交通事故的风险预测方法、装置及系统 |
WO2018103313A1 (zh) * | 2016-12-06 | 2018-06-14 | 杭州海康威视数字技术股份有限公司 | 发生交通事故的风险预测方法、装置及系统 |
CN109360421A (zh) * | 2018-11-28 | 2019-02-19 | 平安科技(深圳)有限公司 | 一种基于机器学习的交通信息预测方法及装置、电子终端 |
CN111912415A (zh) * | 2020-08-05 | 2020-11-10 | 杭州海康威视数字技术股份有限公司 | 道路信息确定方法、装置、服务器和存储介质 |
CN112465869A (zh) * | 2020-11-30 | 2021-03-09 | 杭州海康威视数字技术股份有限公司 | 一种轨迹关联方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于需求预测与CTM的高速公路交通事件影响范围预测;张敖木翰;张平;曹剑东;;交通运输研究(第01期);52-57 * |
Also Published As
Publication number | Publication date |
---|---|
CN114333317A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114333317B (zh) | 一种交通事件的处理方法、装置、电子设备及存储介质 | |
CN108681751B (zh) | 确定事件影响因素的方法及终端设备 | |
CN113723716B (zh) | 一种客流分级预警异常告警方法、设备及存储介质 | |
CN111507483A (zh) | 返修板检测装置、方法及计算机可读存储介质 | |
CN114912702A (zh) | 基于大数据的道路性能预测方法、装置、设备及存储介质 | |
CN116558574B (zh) | 基于大数据的气站安全监测方法和装置 | |
CN113269378A (zh) | 一种网络流量处理方法、装置、电子设备和可读存储介质 | |
CN113919432A (zh) | 一种分类模型构建方法、数据分类方法及装置 | |
CN117149565A (zh) | 云平台关键性能指标的状态检测方法、装置、设备及介质 | |
CN116401137B (zh) | 一种芯粒健康状态预测方法、装置、电子设备及存储介质 | |
CN115114124A (zh) | 主机风险的评估方法及评估装置 | |
CN110704614B (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
CN112365156A (zh) | 一种数据处理方法、数据处理装置、终端及存储介质 | |
CN111404835A (zh) | 流量控制方法、装置、设备及存储介质 | |
CN114157486B (zh) | 通信流量数据异常检测方法、装置、电子设备及存储介质 | |
CN114116430A (zh) | 一种系统可靠性分析方法、装置和设备 | |
CN114997310A (zh) | 一种环保监测数据处理方法及系统 | |
CN112434717B (zh) | 一种模型训练方法及装置 | |
CN111160419B (zh) | 一种基于深度学习的电子式互感器数据分类预测方法及装置 | |
CN112215246B (zh) | 道路交通诊断方法、装置、电子设备及机器可读存储介质 | |
CN113554090A (zh) | 一种基于机器学习的银行设备故障预警方法及系统 | |
CN115687034A (zh) | 一种业务系统平面可用性判定方法和装置 | |
CN113487223B (zh) | 一种基于信息融合的风险评估方法和评估系统 | |
CN113887569B (zh) | 一种基于区域尺度的事故多发区域判别方法 | |
CN117058888B (zh) | 一种交通大数据处理方法及其系统 |
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 |