CN114492544B - 模型训练方法及装置、交通事件发生概率评估方法及装置 - Google Patents
模型训练方法及装置、交通事件发生概率评估方法及装置 Download PDFInfo
- Publication number
- CN114492544B CN114492544B CN202210396692.0A CN202210396692A CN114492544B CN 114492544 B CN114492544 B CN 114492544B CN 202210396692 A CN202210396692 A CN 202210396692A CN 114492544 B CN114492544 B CN 114492544B
- Authority
- CN
- China
- Prior art keywords
- space
- traffic
- road traffic
- preset
- data
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本申请公开了一种模型训练方法及装置、交通事件发生概率评估方法及装置,方法通过获取预设时间段内预设路段中的道路交通数据;将道路交通数据划分到多个时空切片中,得到每一时空切片对应的子道路交通数据;获取每一时空切片中的交通运行对象的运行数据,并计算每一时空切片中交通运行对象之间的轨迹交叉参数;根据轨迹交叉参数以及预设道路交通事件的统计数据计算预设道路交通事件的发生概率;以每一时空切片对应的子道路交通数据为输入特征,以对应的预设道路交通事件的发生概率为输出标签训练预设神经网络模型,得到预设道路交通事件发生概率评估模型。该方法可以应用于交通领域,可以大大提升预设道路交通事件发生概率评估的准确性。
Description
技术领域
本申请涉及智慧交通技术领域,具体涉及一种模型训练方法及装置、交通事件发生概率评估方法及装置。
背景技术
近年来,随着人们生活水平和生活质量的不断提升,使得汽车的拥有率也不断提升。这导致了道路交通的压力不断增加,对道路交通的管理能力产生了很大的挑战。
为应对不断提高的道路交通管理压力,道路交通领域的技术人员也在不断采用先进技术提升道路交通管理能力。其中,智慧交通采用了物联网、云计算、互联网、人工智能、自动控制、移动互联网等技术,为道路交通管理赋能,大大提升了道路交通管理能力,降低了道路交通运行风险。
然而,目前对道路交通中交通事件发生概率进行评估,还缺乏系统有效的评估方法,导致对道路交通中交通事件发生概率进行评估的准确性较低。
发明内容
本申请实施例提供一种模型训练方法及装置、交通事件发生概率评估方法及装置,该方法可以有效提升交通事件发生概率评估的准确性。
本申请第一方面提供一种模型训练方法,方法包括:
获取预设时间段内预设路段中的道路交通数据,所述道路交通数据包括预设道路交通事件的统计数据以及道路交通环境数据;
将所述道路交通数据划分到多个时空切片中,得到每一时空切片对应的子道路交通数据,所述时空切片为对所述预设时间段与预设路段进行两个维度划分得到的切片;
获取每一时空切片中的交通运行对象的运行数据,并根据所述运行数据计算每一时空切片中交通运行对象之间的轨迹交叉参数;
根据所述轨迹交叉参数以及所述子道路交通数据中的预设道路交通事件的统计数据计算每一时空切片中所述预设道路交通事件的发生概率;
以每一时空切片对应的子道路交通数据为输入特征,以每一时空切片对应的预设道路交通事件的发生概率为输出标签训练预设神经网络模型,得到预设道路交通事件发生概率评估模型。
相应的,本申请第二方面提供一种模型训练装置,装置包括:
第一获取单元,用于获取预设时间段内预设路段中的道路交通数据,所述道路交通数据包括预设道路交通事件的统计数据以及道路交通环境数据;
划分单元,用于将所述道路交通数据划分到多个时空切片中,得到每一时空切片对应的子道路交通数据,所述时空切片为对所述预设时间段与预设路段进行两个维度划分得到的切片;
第二获取单元,用于获取每一时空切片中的交通运行对象的运行数据,并根据所述运行数据计算每一时空切片中交通运行对象之间的轨迹交叉参数;
计算单元,用于根据所述轨迹交叉参数以及所述子道路交通数据中的预设道路交通事件的统计数据计算每一时空切片中所述预设道路交通事件的发生概率;
训练单元,用于以每一时空切片对应的子道路交通数据为输入特征,以每一时空切片对应的预设道路交通事件的发生概率为输出标签训练预设神经网络模型,得到预设道路交通事件发生概率评估模型。
在一些实施例中,所述第二获取单元,包括:
获取子单元,用于获取每一时空切片中第一类型的交通运行对象对应的第一运行数据以及第二类型的交通运行对象对应的第二运行数据;
第一计算子单元,用于根据所述第一运行数据和第二运行数据计算每一时空切片中所述第一类型的交通运行对象与所述第二类型的交通运行对象之间的轨迹交叉参数。
在一些实施例中,第一计算子单元,包括:
提取模块,用于从所述第一运行数据中提取所述第一类型的交通运行对象在每一时空切片中的第一运行时间,以及从所述第二运行数据中提取所述第二类型的交通运行对象在每一时空切片中的第二运行时间;
获取模块,用于获取每一时空切片中交通运行对象的平均运行速度、每一时空切片中交通运行对象的可运行道路面积,以及获取每一时空切片中所述第一类型的交通运行对象与所述第二类型的交通运行对象之间的影响宽度;
计算模块,用于根据所述第一运行时间、所述第二运行时间、所述平均运行速度、所述可运行道路面积以及所述影响宽度计算每一时空切片中所述第一类型的交通运行对象与所述第二类型的交通运行对象之间的轨迹交叉参数。
在一些实施例中,计算模块,包括:
第一计算子模块,用于根据所述平均运行速度、所述可运行道路面积以及所述影响宽度计算每一时空切片中所述第一类型的交通运行对象与所述第二类型的交通运行对象之间的空间交互系数;
第二计算子模块,用于计算所述空间交互系数、所述第一运行时间以及所述第二运行时间的乘积,得到每一时空切片中所述第一类型的交通运行对象与所述第二类型的交通运行对象之间的轨迹交叉参数。
在一些实施例中,计算单元,包括:
第一提取子单元,用于从每一时空切片的子道路交通数据中提取出所述预设道路交通事件的发生次数;
第二计算子单元,用于计算每一时空切片对应的所述预设道路交通事件的发生次数与所述轨迹交叉参数之间的比值,得到每一时空切片中所述预设道路交通事件的发生概率。
在一些实施例中,训练单元,包括:
第二提取子单元,用于对每一时空切片对应的子道路交通数据进行特征提取,得到每一时空切片对应的特征向量;
输入子单元,用于将每一时空切片对应的特征向量输入至预设神经网络模型,得到每一时空切片对应的输出数据;
第三计算子单元,用于根据每一时空切片对应的输出数据以及预设道路交通事件的发生概率计算损失函数值;
训练子单元,用于基于所述损失函数值对所述预设神经网络模型的模型参数进行迭代优化更新,训练得到预设道路交通事件发生概率评估模型。
在一些实施例中,本申请提供的模型训练装置,还包括:
第四计算子单元,用于计算所述预设道路交通事件发生概率评估模型中每一输入特征对模型输出结果的贡献值;
输出子单元,用于提取对模型输出结果的贡献值大于预设值的目标输入特征,输出所述目标输入特征以及每一所述目标输入特征对应的贡献值。
本申请第三方面提供一种交通事件发生概率评估方法,方法包括:
获取待进行预设道路交通事件发生概率评估的目标地点信息以及目标时间信息;
根据所述目标地点信息以及目标时间信息确定目标时空切片;
获取所述目标时空切片对应的目标道路交通数据;
将所述目标道路交通数据输入至预设道路交通事件发生概率评估模型,得到输出的预设道路交通事件发生概率值,所述预设道路交通事件发生概率评估模型为根据第一方面提供的模型训练方法训练得到的预设道路交通事件发生概率评估模型。
相应的,本申请第四方面提供一种交通事件发生概率评估装置,装置包括:
第三获取单元,用于获取待进行预设道路交通事件发生概率评估的目标地点信息以及目标时间信息;
确定单元,用于根据所述目标地点信息以及目标时间信息确定目标时空切片;
第四获取单元,用于获取所述目标时空切片对应的目标道路交通数据;
输入单元,用于将所述目标道路交通数据输入至预设道路交通事件发生概率评估模型,得到输出的预设道路交通事件发生概率值,所述预设道路交通事件发生概率评估模型为根据第一方面提供的模型训练方法训练得到的预设道路交通事件发生概率评估模型。
本申请第五方面还提供一种计算机可读存储介质,所述计算机可读存储介质存储有多条指令,所述指令适于处理器进行加载,以执行本申请第一方面所提供的模型训练方法或第三方面提供的交通事件发生概率评估方法中的步骤。
本申请第六方面提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可以在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本申请第一方面所提供的模型训练方法或第三方面提供的交通事件发生概率评估方法中的步骤。
本申请第七方面提供一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现第一方面所提供的模型训练方法或第三方面提供的交通事件发生概率评估方法中的步骤。
本申请实施例提供的模型训练方法,通过获取预设时间段内预设路段中的道路交通数据,道路交通数据包括预设道路交通事件的统计数据以及道路交通环境数据;将道路交通数据划分到多个时空切片中,得到每一时空切片对应的子道路交通数据,时空切片为对预设时间段与预设路段进行两个维度划分得到的切片;获取每一时空切片中的交通运行对象的运行数据,并根据运行数据计算每一时空切片中交通运行对象之间的轨迹交叉参数;根据轨迹交叉参数以及子道路交通数据中的预设道路交通事件的统计数据计算每一时空切片中预设道路交通事件的发生概率;以每一时空切片对应的子道路交通数据为输入特征,以每一时空切片对应的预设道路交通事件的发生概率为输出标签训练预设神经网络模型,得到预设道路交通事件发生概率评估模型。
以此,本申请提供的模型训练方法,通过将历史道路交通数据划分到时空切片维度,得到每一时空切片对应的特征;然后根据每一时空切片中的交通运行对象的运行数据计算交通运行对象之间的轨迹交叉参数,并进一步根据轨迹交叉参数和预设道路交通事件统计数据计算出每一时空切片中预设道路交通事件的发生概率作为训练标签;最后可以根据每一时空切片的特征与对应的训练标签训练预设道路交通事件发生概率评估模型。如此便可以得到对预设道路交通事件发生概率进行系统化评估的方法,可以大大提升预设道路交通事件发生概率评估的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请中模型训练的一个场景示意图;
图2是本申请提供的模型训练方法的流程示意图;
图3是本申请提供的模型训练方法的另一流程示意图;
图4是本申请提供交通事件发生概率评估方法的流程示意图;
图5是本申请提供的模型训练装置的结构示意图;
图6是本申请提供的交通事件发生概率评估装置的结构示意图;
图7是本申请提供的计算机设备的结构示意图。
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,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种模型训练方法、装置、计算机可读存储介质及计算机设备。其中,该模型训练方法可以使用于模型训练装置中。该模型训练装置可以集成在计算机设备中,该计算机设备可以是终端也可以是服务器。其中,终端可以为手机、平板电脑、笔记本电脑、智能电视、穿戴式智能设备、个人计算机(PC,Personal Computer)以及车载终端等设备。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、网络加速服务(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。其中,服务器可以为区块链中的节点。
请参阅图1,为本申请提供的模型训练方法的一场景示意图。如图所示,服务器A从终端B中获取道路交通数据以及车辆运行数据,道路交通数据包括预设道路交通事件的统计数据以及道路交通环境数据;将道路交通数据划分到多个时空切片中,得到每一时空切片对应的子道路交通数据,时空切片为对预设时间段与预设路段进行两个维度划分得到的切片;根据车辆运行数据计算每一时空切片中车辆之间的轨迹交叉参数;根据轨迹交叉参数以及子道路交通数据中的预设道路交通事件的统计数据计算每一时空切片中预设道路交通事件的发生概率;以每一时空切片对应的子道路交通数据为输入特征,以每一时空切片对应的预设道路交通事件的发生概率为输出标签训练预设神经网络模型,得到预设道路交通事件发生概率评估模型。最后,服务器A可以进一步将训练好的模型数据发送到终端B中进行模型部署。
需要说明的是,图1所示的模型训练场景示意图仅仅是一个示例,本申请实施例描述的模型训练场景是为了更加清楚地说明本申请的技术方案,并不构成对于本申请提供的技术方案的限定。本领域普通技术人员可知,随着模型训练场景演变和新业务场景的出现,本申请提供的技术方案对于类似的技术问题,同样适用。
基于上述实施场景以下分别进行详细说明。
在相关技术中,在对交通安全风险进行评估以及对交通风险因素进行分析的过程中,经常使用到一个表征参数来表征车辆个体处于事故风险下的程度,从而使得对不同空间条件下的交通事故发生概率进行标准化,使得交通事故发生概率在各空间个体下具有可比较性。对于路段维度的交通安全建模,现行的交通事故风险评估模型和风险因素分析算法多采用传统的表征参数评估模型,常用的有行程时间表征参数、行驶距离表征参数、交通事件表征参数、交通量表征参数等;对于区域维度的交通安全建模,除上述指标外还常采用人口(包括人口密度)、国民生产总值和区域出行强度等表征参数。为了更准确地描述车量在交通事故风险下的状态,有学者针对不同场景提出不同的表征参数评估模型,陆续在相应场景下被广泛采纳。然而,目前所使用的表征参数评估模型的模型准确性还不高。而且,传统的表征参数评估模型只能在某种程度上粗略地描述不同空间条件下的车辆形式强度、交通流基本特征或区域社会经济学特征,并不能准确地表征每个空间个体的真实事故风险程度差异。而且现有模型对场景和数据依赖较强,对于每个细分场景需要单独建立模型,通用性和泛化性较差。对此,本申请提供了一种模型训练方法,用于提升交通事故发生概率评估的准确性,以及提升交通事故发生概率评估模型的通用性和泛化性。
本申请实施例将从模型训练装置的角度进行描述,该模型训练装置可以集成在计算机设备中。其中,计算机设备可以是终端也可以是服务器。其中,终端可以为手机、平板电脑、笔记本电脑、智能电视、穿戴式智能设备、个人计算机(PC,Personal Computer)以及车载终端等设备。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、网络加速服务(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。如图2所示,为本申请提供的模型训练方法的流程示意图,该方法包括:
步骤110,获取预设时间段内预设路段中的道路交通数据。
其中,预设路段可以为任意采样路段,不限定路段的地理位置以及路段属性信息。路段的地理位置例如可以为处于某省某市的路段等,路段的属性信息可以包括国道、省道或者县道等。获取预设时间段内预设路段中的道路交通数据,可以为获取前述采样路段的一段时间的历史道路交通数据。此处一段时间可以为一周、一个月或者一个季度等,具体地,这段时间可以为当前时间前溯的一段时间,也可以为过去任意区间的一段时间。为了保证训练得到的模型能够更好地适用当前交通环境,可以选取当前时间前溯的一段时间作为采样时间。
其中,道路交通数据可以包括预设道路交通事件的统计数据以及道路交通环境数据。此处预设道路交通事件可以交通工具之间的碰撞事件,例如可以为广义的交通事故,也可以为具体的某一类交通事故,例如追尾或者剐蹭等。此外,预设道路交通事件也可以为行人和行人之间的碰撞事件、行人和交通工具之间的碰撞事件等。预设道路交通事件的统计数据可以包括预设道路交通事件的发生时间数据以及预设道路交通事件的发生地点的定位数据,该定位数据可以为经纬度数据。
道路交通环境数据,可以包括道路中的交通流数据、路段位置及属性数据以及路段气象环境数据等。其中,交通流数据可以包括年平均日交通量(annual average dailytraffic,AADT)、平均流量、平均速度、速度方差、各种车型行程事件、各种车型占比、三急一速(急刹、急拐弯、急加油门和超车)等交通状态和驾驶行为信息。路段属性数据可以包括但不限于路段车道数、路段限速、纵坡、曲率、超高、感兴趣点(point of interest,POI)信息以及主路/匝道等路网和路网周边随时间保持不变的信息等,POI可以包括隧道、桥梁和收费站等。路段气象环境数据可以包括天气信息、风速信息以及能见度信息等。
步骤120,将道路交通数据划分到多个时空切片中,得到每一时空切片对应的子道路交通数据。
其中,在获取到预设时间段内预设路段的道路交通数据后,可以进一步将预设时间段内预设路段按照时间和空间这两个维度划分为多个时空切片。具体地,可以定义日内时间粒度为每天m个时段,m的常用取值为24,即每天平均划分为24个时段。当然,m也可以取其他值,时间可以平均划分也可以不平均划分,一般情况下时间粒度越大,样本数量越大,模型训练难度越大,但训练得到的模型的准确性越高。同样地,可以定义预设路段的空间粒度为n,即将预设路段划分为n个路段,对路段进行划分可以按照路段长度进行等长划分,也可以按照行政区域进行不等长划分等。
将预设时间段内预设路段进行上述时空维度的划分后,可以得到多个时空切片。其中,当按照时间粒度为m、空间粒度为n进行划分,可以得到m*n个时空切片。在划分得到多个时空切片后,可以进一步将获取到的道路交通数据分别投射到每个时空切片中,得到每个时空切片对应的子道路交通数据。由于道路交通数据包括了预设道路交通事件的统计数据以及道路交通环境数据,道路交通环境数据还包括了交通流数据、路段位置及属性数据以及气象环境数据。那么将道路交通数据投射到每一时空切片中,可以为将预设道路交通事件的统计数据、交通流数据、路段位置及属性数据和气象环境数据投射到每一时空切片中,得到每一时空切片对应的预设道路交通事件的发生次数数据、交通流数据、路段位置及属性数据和道路气象环境数据。根据每一时空切片对应的子道路交通数据可以确定该时空切片对应的交通事件发生概率评估特征。
在一些实施例中,为考虑道路交通安全风险的时间相关性,对目标时空切片的评估特征中的交通流特征,可以获取该目标时空切片对应的目标路段的更长时间段的交通流数据作为交通流特征。
步骤130,获取每一时空切片中的交通运行对象的运行数据,并根据运行数据计算每一时空切片中交通运行对象之间的轨迹交叉参数。
其中,如前所述,获取每一时空切片对应的子道路交通数据作为对预设道路交通事件发生概率进行评估的模型输入特征。在获取到模型训练的输入特征后,需要进一步获取模型训练的输出标签。在本申请实施例中,可以计算出每一时空切片对应的预设道路交通事件发生概率作为模型训练的输出标签。具体地,可以先计算出每一时空切片中交通运行对象之间的轨迹交叉参数,其中此处交通运行对象之间的轨迹交叉参数可以为前述表征车辆个体处于事故风险下的程度的表征参数。此处交通运行对象可以为行人,也可以为车辆等交通工具,车辆可以为自行车、摩托车、小汽车、巴士、载重汽车或者鞍式列车等一种或多种。
交通运行对象的运行数据,可以包括交通运行对象的运行时间数据、运行速度数据,交通运行对象的运行速度数据可以包括速度大小数据和速度方向数据。根据交通运行对象的运行数据计算交通运行对象之间的轨迹交叉参数,可以采用分子动力学模型中的自由碰撞假设来计算路网中自由行驶的任意两个交通运行对象的轨迹相交概率。在具体计算过程中,还需要进一步借助交通运行对象的运行时间、交通运行对象的影响面积以及可运行道路面积等数据。
在一些实施例中,获取每一时空切片中的交通运行对象的运行数据,并根据运行数据计算每一时空切片中交通运行对象之间的轨迹交叉参数,包括:
1、获取每一时空切片中第一类型的交通运行对象对应的第一运行数据以及第二类型的交通运行对象对应的第二运行数据;
2、根据第一运行数据和第二运行数据计算每一时空切片中第一类型的交通运行对象与第二类型的交通运行对象之间的轨迹交叉参数。
其中,在本申请实施例中,可以针对某些特定类型的交通运行对象来估算这些特定类型交通运行对象之间的预设道路交通事件的发生概率。即可以针对特定类型的交通运行对象来进行建模,然后根据训练得到的模型来预测特定类型的交通运行对象之间的预设道路交通事件的发生概率。
具体地,可以获取每一时空切片中第一类型的交通运行对象对应的第一运行数据以及第二类型的交通运行对象对应的第二运行数据,然后根据第一运行数据和第二运行数据来计算每一时空切片中第一类型的交通运行对象与第二类型的交通运行对象之间的轨迹交叉参数。具体地,例如第一类型的交通运行对象可以为小客车,第二类型的交通运行对象可以为载重汽车。那么可以获取每一时空切片中小客车的第一运行数据和载重汽车的第二运行数据,然后根据第一运行数据和第二运行数据计算得到每一时空切片中小客车和载重汽车的轨迹交叉参数,进一步地,可以根据小客车和载重汽车的轨迹交叉参数结合每一时空切片中小客车和载重汽车之间的预设道路交通时间的发生次数计算得到小客车与载重汽车在每一时空切片中的预设道路交通事件的发生概率,最后再进一步基于每一时空切片的输入特征以及每一时空切片中小客车与载重汽车在每一时空切片中的预设道路交通事件的发生概率训练预设神经网络模型,得到预设道路交通事件发生概率评估模型。其中,此时预设道路交通事件发生概率评估模型为对小客车和载重汽车进行预设道路交通事件发生概率进行评估的模型,即针对小客车和载重汽车进行事故发生概率进行评估的模型。
其中,上述第一类型的交通运行对象与第二类型的交通运行对象也可以为相同类型的对象,例如可以构建对小客车和小客车之间预设道路交通事件发生概率进行评估的模型。
在一些实施例中,第一类型的交通运行对象可以为单一类型的交通运行对象,而第二类型的交通运行对象可以为全品类的交通运行对象。即例如第一类型的交通运行对象可以为小客车,而第二类型的交通运行对象可以为任一类型的交通运行对象,那么据此可以构建小客车发生预设道路交通事件的概率评估模型。
在一些实施例中,第一类型的交通运行对象和第二类型的交通运行对象均可以为全品类的交通运行对象。在该实施例中,训练得到的预设道路交通事件的概率评估模型可以为对预设道路交通事件的发生概率进行评估的模型,此处的预设道路交通事件可以为任意的交通运行对象发生的预设道路交通事件。
在一些实施例中,还可以针对某一特定的交通运行对象进行预设道路交通事件发生概率评估模型构建。例如该特定的交通运行对象为车辆A,那么可以获取车辆A在每一时空切片中的运行数据,以及获取全品类的交通运行对象的运行数据。然后根据车辆A的运行数据和全品类的交通运行对象的运行数据计算车辆A与全品类的交通运行对象之间的轨迹交叉参数,然后再据此进一步计算出在每一时空切片中车辆A发生预设道路交通事件的发生概率。进一步地,根据每一时空切片的特征与每一时空切片中车辆A发生预设道路交通事件的发生概率来训练对车辆A发生预设道路交通事件的发生概率进行评估的模型。
在一些实施例中,根据第一运行数据和第二运行数据计算每一时空切片中第一类型的交通运行对象与第二类型的交通运行对象之间的轨迹交叉参数,包括:
2.1、从第一运行数据中提取第一类型的交通运行对象在每一时空切片中的第一运行时间,以及从第二运行数据中提取第二类型的交通运行对象在每一时空切片中的第二运行时间;
2.2、获取每一时空切片中交通运行对象的平均运行速度、每一时空切片中交通运行对象的可运行道路面积,以及获取每一时空切片中第一类型的交通运行对象与第二类型的交通运行对象之间的影响宽度;
2.3、根据第一运行时间、第二运行时间、平均运行速度、可运行道路面积以及影响宽度计算每一时空切片中第一类型的交通运行对象与第二类型的交通运行对象之间的轨迹交叉参数。
其中,在本申请实施例中,可以以第一类型和第二类型均为单一类型的交通运行对象为例来详细说明根据第一类型的交通运行对象的第一运行数据和第二类型的交通运行对象的第二运行数据计算每一时空切片中两个类型的交通运行对象之间的轨迹交叉参数的计算过程。该计算过程可以类比于分子动力学中的自由碰撞假设理论。具体地,可以先获取第一类型的交通运行对象和第二类型的交通运行对象在每一时空切片中的运行时间,得到第一运行时间和第二运行时间。然后,获取每一时空切片中交通运行对象的平均运行速度信息、每一时空切片中交通运行对象的可运行道路面积以及每一时空切片中第一类型的交通运行对象与第二类型的交通运行对象之间的影响宽度。其中,对于不同类型的交通运行对象,可以具有不同的影响宽度。
在获取到上述数据后,可以进一步基于上述数据采用分子动力学中的自由碰撞假设理论公式来计算每一时空切片中的第一类型的交通运行对象与第二类型的交通运行对象之间的轨迹交叉参数。
在一些实施例中,根据第一运行时间、第二运行时间、平均运行速度、可运行道路面积以及影响宽度计算每一时空切片中第一类型的交通运行对象与第二类型的交通运行对象之间的轨迹交叉参数,包括:
2.3.1、根据平均运行速度、可运行道路面积以及影响宽度计算每一时空切片中第一类型的交通运行对象与第二类型的交通运行对象之间的空间交互系数;
2.3.2、计算空间交互系数、第一运行时间以及第二运行时间的乘积,得到每一时空切片中第一类型的交通运行对象与第二类型的交通运行对象之间的轨迹交叉参数。
其中,在本申请实施例中,由于计算公式中的每一时空切片中交通运行对象的平均运行速度、可运行道路面积为与时空切片相关而与第一类型的交通运行对象以及第二类型的交通运行对象在时空切片中的运行情况无关的数据,而且,第一类型的交通运行对象与第二类型的交通运行对象之间的影响宽度也是固定的,与两个类型的交通运行对象在时空切片中的运行情况无关的数据,因此可以先根据平均运行速度、可运行道路面积以及影响宽度计算每一时空切片中第一类型的交通运行对象与第二类型的交通运行对象之间的空间交互系数。在计算得到两个类型的交通运行对象之间的空间交互系数后,可以进一步计算两个类型的交通运行对象之间的空间交互系数与两个类型的交通运行对象在时空切片中的运行时间的乘积,得到每一时空切片中第一类型的交通运行对象与第二类型的交通运行对象之间的轨迹交叉参数。
步骤140,根据轨迹交叉参数以及子道路交通数据中的预设道路交通事件的统计数据计算每一时空切片中预设道路交通事件的发生概率。
其中,在计算得到每一时空切片中交通运行对象之间的轨迹交叉参数后,可以进一步根据每一时空切片中交通运行对象之间的轨迹交叉参数与每一时空切片对应的子道路交通数据中的预设道路交通时间的统计数据来计算每一时空切片中预设道路交通事件的发生概率。
具体地,根据轨迹交叉参数以及子道路交通数据中的预设道路交通事件的统计数据计算每一时空切片中预设道路交通事件的发生概率,包括:
1、从每一时空切片的子道路交通数据中提取出预设道路交通事件的发生次数;
2、计算每一时空切片对应的预设道路交通事件的发生次数与轨迹交叉参数之间的比值,得到每一时空切片中预设道路交通事件的发生概率。
其中,在本申请实施例中,可以根据每一时空切片对应的预设道路交通事件的发生次数与轨迹交叉参数之间的比值来确定每一时空切片中预设道路交通事件的发生概率。具体地,可以先从每一时空切片的子道路交通数据中提取出预设道路交通事件的发生次数,然后计算每一时空切片对应的预设道路交通事件的发生次数与轨迹交叉参数之间的比值,得到每一时空切片中预设道路交通事件的发生概率。
步骤150,以每一时空切片对应的子道路交通数据为输入特征,以每一时空切片对应的预设道路交通事件的发生概率为输出标签训练预设神经网络模型。
其中,在确定了每一时空切片对应的子道路交通数据后,可以根据每一时空切片对应的子道路交通数据确定每一时空切片对应的特征。然后将该特征作为对预设道路交通事件的发生概率进行评估的模型的模型输入,将步骤140中计算得到的对应的时空切片的预设道路交通事件的发生概率作为模型的输出标签,对预设的神经网络模型进行有监督训练,训练后得到预设道路交通事件发生概率评估模型。
在一些实施例中,以每一时空切片对应的子道路交通数据为输入特征,以每一时空切片对应的预设道路交通事件的发生概率为输出标签训练预设神经网络模型,得到预设道路交通事件发生概率评估模型,包括:
1、对每一时空切片对应的子道路交通数据进行特征提取,得到每一时空切片对应的特征向量;
2、将每一时空切片对应的特征向量输入至预设神经网络模型,得到每一时空切片对应的输出数据;
3、根据每一时空切片对应的输出数据以及预设道路交通事件的发生概率计算损失函数值;
4、基于损失函数值对预设神经网络模型的模型参数进行迭代优化更新,训练得到预设道路交通事件发生概率评估模型。
其中,在本申请实施例中,详细介绍了采用时空切片对应的子道路交通数据和预设道路交通事件发生概率来训练预设道路交通事件发生概率评估模型的过程。
具体地,可以先对每一时空切片对应的子道路交通数据进行特征提取,得到每一时空切片对应的特征向量。此处对每一时空切片对应的子道路交通数据进行特征提取,可以采用词嵌入的方法来进行。然后,将每一时空切片对应的特征向量输入至预设神经网络模型中,得到每一时空切片对应的输出数据。其中,此处预设神经网络模型具体可以为极端梯度增强模型(eXtreme Gradient Boosting,XGBoost),也可以为轻度梯度增强模型(Light Gradient Boost Model,LightGBM)、梯度增强决策树(Gradient Boost DecisionTree,GBDT)或随机森林。
进一步地,可以根据每一时空切片对应的输出数据和每一时空切片对应的标签数据(即前述计算得到的预设道路交通事件的发生概率)来计算损失函数值。其中,此处计算的损失函数可以为泊松偏损失。接着便可以根据该损失函数值对预设神经网络模型的模型参数进行迭代优化更新,直到模型参数收敛,训练得到预设道路交通事件发生概率评估模型。
在一些实施例中,本申请提供的模型训练方法还可以包括:
A、计算预设道路交通事件发生概率评估模型中每一输入特征对模型输出结果的贡献值;
B、提取对模型输出结果的贡献值大于预设值的目标输入特征,输出目标输入特征以及每一目标输入特征对应的贡献值。
其中,在训练得到预设道路交通事件发生概率评估模型后,可以进一步计算该模型中每一输入特征对模型输出结果的贡献值。其中,此处输入特征对模型输出结果的贡献值可以采用计算每一输入特征的SHAP值来得到。其中,SHAP的全称为SHapley AdditiveexPlanation,这是一种利用博弈论算法来解释机器学习特征贡献的方法。由于训练得到的模型为预设道路交通事件发生概率评估模型,即输入特征对模型的贡献值越高则输出的预设道路交通事件发生概率越高,也就意味着道路运行风险越高。因此,采用该方法可以计算出对模型输出结果贡献值较高的几个输入特征,这几个特征便为对道路交通安全影响较大的风险点。道路交通安全管理人员可以进一步对这几个特征对应的风险因素进行及时的排查和整改,从而提升道路交通安全。
具体地,根据输入特征对模型输入结果的贡献值来确定风险因素,具体可以先确定贡献值大于预设值的目标输入特征,然后将这些目标输入特征以及对应的贡献值进行输出,道路交通管理人员便可以根据目标输入特征来确定风险因素。
根据上述描述可知,本申请实施例提供的模型训练方法,通过获取预设时间段内预设路段中的道路交通数据,道路交通数据包括预设道路交通事件的统计数据以及道路交通环境数据;将道路交通数据划分到多个时空切片中,得到每一时空切片对应的子道路交通数据,时空切片为对预设时间段与预设路段进行两个维度划分得到的切片;获取每一时空切片中的交通运行对象的运行数据,并根据运行数据计算每一时空切片中交通运行对象之间的轨迹交叉参数;根据轨迹交叉参数以及子道路交通数据中的预设道路交通事件的统计数据计算每一时空切片中预设道路交通事件的发生概率;以每一时空切片对应的子道路交通数据为输入特征,以每一时空切片对应的预设道路交通事件的发生概率为输出标签训练预设神经网络模型,得到预设道路交通事件发生概率评估模型。
以此,本申请提供的模型训练方法,通过将历史道路交通数据划分到时空切片维度,得到每一时空切片对应的特征;然后根据每一时空切片中的交通运行对象的运行数据计算交通运行对象之间的轨迹交叉参数,并进一步根据轨迹交叉参数和预设道路交通事件统计数据计算出每一时空切片中预设道路交通事件的发生概率作为训练标签;最后可以根据每一时空切片的特征与对应的训练标签训练预设道路交通事件发生概率评估模型。如此便可以得到对预设道路交通事件发生概率进行系统化评估的方法,可以大大提升预设道路交通事件发生概率评估的准确性。
本申请还提供了一种模型训练方法,该方法可以使用于计算机设备中,该计算机设备可以为终端也可以为服务器。如图3所示,为本申请提供的模型训练方法的另一流程示意图,方法具体包括:
步骤210,计算机设备获取预设时间段内预设路段中的预设道路交通事件统计数据、交通流数据、路段属性数据以及气象数据。
其中,在本申请实施例中,以预设道路交通事件为交通事故为例、以交通运行对象为车辆为例进行详细说明。即本申请中需要获取的数据源主要包括如下四类数据:预设时间段内预设路段的历史交通事故信息,交通流数据、路段位置及其属性数据和气象数据。其中预设时间段T可以为大于或等于一个月。
步骤220,计算机设备将预设时间段内预设路段按照时空维度划分为多个时空切片。
其中,可以定义日内时间粒度为每天m个时段,m的常用取值可以为24,即每天平均划分为24个时段;同时根据建模需求定义路段的空间粒度,定位预设路段内所有子路段的起终点,形成路段集合,其含义为路段集合I包含n个子路段。至此,得到m*n个时空切片。
步骤230,计算机设备将预设道路交通事件统计数据、交通流数据、路段属性数据以及气象数据投射到每一时空切片中,得到每一时空切片对应的特征数据。
其中,在将预设时间段内预设路段划分为m*n个时空切片后,可以将时间范围T内的历史交通事故按照事故发生时间和事故发生坐标投射到m*n个时空切片上,得到对应的每一时空切片上的交通事故发生数量,其中。类似地,可以从交通流数据中提取包含AADT、平均流量、平均速度、速度方差、各种车型形成时间、各种车型占比、三急一速等交通状态和驾驶行为信息,投射到m*n个时空切片上。以及,提取m*n个时空切片上的天气、风速和能见度信息。此外,还可以将路段集合内的路段静态信息提取到每天t个时段上,一般地,静态信息包括但不限于路段车道数、路段限速、纵坡、曲率、超高、POI(隧道、桥梁、收费站等)信息、主路/匝道等路网和路网周边随时间保持不变的信息。
步骤240,计算机设备获取每一时空切片中交通运行对象的运行数据。
其中,每一时空切片中交通运行对象的运行数据可以从前述将交通流数据投射到m*n个时空切片中后对应的每个时空切片的交通流数据中进行获取。具体地,交通运行对象的运行数据可以包括车辆的平均运行速度信息,每个类型车辆的运行时间信息、不同类型车辆之间的影响宽度,时空切片中可运行车辆的道路面积信息等。
步骤250,计算机设备根据运行数据计算每一时空切片中交通运行对象之间的轨迹交叉参数。
在本申请实施例中,采用车辆之间的轨迹交叉参数来表征两个车辆群体在路网中的轨迹相交概率。两种类型的车辆A和车辆B在路网中自由行驶,车辆A 的影响面积为S=LdAB。其中,L为运行的距离,dAB为两种车辆之间的相交宽度。对于不同类型的车辆,其相交宽度也不同。如下表1所示,为不同类型车辆之间的相交宽度表,单位为米。
表1 车辆相交宽度示意表
由上式可以构建车辆A和车辆B的轨迹交叉参数,即如下式(3)所示:
其中,为任意角度,满足,TA和TB分别为车辆A和车辆B在路段内的行驶时间;为计算时段长度每个时间切片的长度;R为路段可行驶车辆的道路面积,为车辆类型A对于车辆类型B的影响宽度,其建议取值如上表1;C为由路段静态信息组成常数项;I为空间车辆交互系数,其中。
然后可以基于上述公式,以及根据获取到的每一时空切片的车辆平均行驶速度、路段道路面积以及每种类型的车辆的行驶时间,便可以计算得到每一时空切片对应的轨迹交叉参数。
步骤260,计算机设备根据每一时空切片对应的轨迹交叉参数以及对应的预设道路交通事件的发生次数计算每一时空切片中预设道路交通事件的发生概率。
步骤270,计算机设备以每一时空切片对应的特征数据为模型输入,以对应的预设道路交通事件发生概率为模型输出标签训练预设神经网络模型。
在确定了每一时空切片对应的特征数据以及每一时空切片对应的事故发生概率后,便可以以时空切片对应的特征数据为模型输入,以事故发生概率为模型输出来训练预设神经网络模型。其中,在一些实施例中,模型的输入特征可以只包括每一时空切片的路段属性数据、交通流数据以及气象数据,可以不包括事故发生数量数据。
在采用上述训练数据对预设神经网络模型进行训练的过程中,可以确定损失函数为泊松损失函数,其表达式如下式(5)所示:
选取平均泊松偏差值作为评价模型表现的指标,在训练过程中采用交叉检验网格搜索法对模型超参数进行优化,待优化参数包括但不限于:最大深度、学习率、正则化参数、树总数等。
步骤280,计算机设备计算训练后的预设神经网络模型中每一输入特征对模型输出结果的贡献值。
在对预设神经网络模型进行训练后,可以进一步计算预设神经网络模型中各特征的SHAP平均值。
步骤290,计算机设备提取对模型输出结果的贡献值大于预设值的目标输入特征,输出目标输入特征以及每一目标输入特征对应的贡献值。
在计算得到预设神经网络模型中各特征的SHAP平均值后,可以进一步按照由大到小排序。然后输出SHAP值为正的所有特征因素,定义为路段风险因素集合F;对于历史事故发生次数高的路段集合,输出影响其事故风险的风险因素集合及取值。
因此,本申请提供的模型训练方法训练到的预设交通事件发生概率评估模型,可以直接应用于自动化交通安全风险评估和防控指挥场景,有效识别事故高发路段的风险因素,并挖掘潜在隐患路段的事故风险点,帮助管理者对交通事故隐患点进行诊治,提升路网通行安全等级。
本申请提供的模型训练方法针对车辆轨迹冲突理论和类分子动力学模型,对空间车辆潜在相遇频率进行建模计算,构建类分子动力学新型轨迹交叉参数,并采用可解释性较强的XGBoost模型对路段交通事故发生频率进行拟合,根据平均SHAP值对影响交通事故发生概率的因素进行排序,输出排序结果。本方案通过对车辆轨迹交叉参数的精细刻画,可更加精确地表征空间差异对交通事故风险暴露等级的影响,模型构建主要依赖传统交通流数据和路网数据,适应范围广、通用性强,同时引入SHAP值对模型特征影响因素加以解释,可实现精确的路段风险因素分析。
本申请提供的方案可以被应用于交通态势可视化大屏、交通安全大数据平台或交通指挥调度系统、应急指挥调度系统的交通安全风险态势平台等场景,实时展示各等级道路交通安全风险等级,对事故高发风险道路进行安全预警,帮助交通管理人员调度资源,安排现场指挥和制作应急方案,最大程度降低辖区内的路网交通安全风险。本技术还可以应用于用户端交通安全地图场景,用于对导航用户进行交通安全推送、预警,帮助用户提升驾驶安全性。
根据上述描述可知,本申请提供的模型训练方法,通过获取预设时间段内预设路段中的道路交通数据,道路交通数据包括预设道路交通事件的统计数据以及道路交通环境数据;将道路交通数据划分到多个时空切片中,得到每一时空切片对应的子道路交通数据,时空切片为对预设时间段与预设路段进行两个维度划分得到的切片;获取每一时空切片中的交通运行对象的运行数据,并根据运行数据计算每一时空切片中交通运行对象之间的轨迹交叉参数;根据轨迹交叉参数以及子道路交通数据中的预设道路交通事件的统计数据计算每一时空切片中预设道路交通事件的发生概率;以每一时空切片对应的子道路交通数据为输入特征,以每一时空切片对应的预设道路交通事件的发生概率为输出标签训练预设神经网络模型,得到预设道路交通事件发生概率评估模型。
以此,本申请提供的模型训练方法,通过将历史道路交通数据划分到时空切片维度,得到每一时空切片对应的特征;然后根据每一时空切片中的交通运行对象的运行数据计算交通运行对象之间的轨迹交叉参数,并进一步根据轨迹交叉参数和预设道路交通事件统计数据计算出每一时空切片中预设道路交通事件的发生概率作为训练标签;最后可以根据每一时空切片的特征与对应的训练标签训练预设道路交通事件发生概率评估模型。如此便可以得到对预设道路交通事件发生概率进行系统化评估的方法,可以大大提升预设道路交通事件发生概率评估的准确性。
本申请还提供了一种交通事件发生概率评估方法,该方法可以使用于计算机设备中,该计算机设备可以为终端也可以为服务器。如图4所示,为本申请提供的交通事件发生概率评估方法的另一流程示意图,方法具体包括:
步骤310,获取待进行预设道路交通事件发生概率评估的目标地点信息以及目标时间信息。
其中,当需要进行预设道路交通事件发生概率评估时,可以先获取需要进行评估的目标地点以及目标时间。
步骤320,根据目标地点信息以及目标时间信息确定目标时空切片。
当确定了目标地点信息和目标时间信息后,便可以进一步确定与目标时间目标地点对应的目标时空切片。
步骤330,获取目标时空切片对应的目标道路交通数据。
进一步地,可以对目标时空切片对应的目标道路交通数据进行获取,目标道路交通数据可以具体包括目标时空切片中道路属性数据、交通流数据以及气象数据。
步骤340,将目标道路交通数据输入至预设道路交通事件发生概率评估模型,得到输出的预设道路交通事件发生概率值,预设道路交通事件发生概率评估模型为根据本申请中模型训练方法训练得到的预设道路交通事件发生概率评估模型。
在获取到上述道路属性数据、交通流数据以及气象数据后,可以将这些数据输入采用本申请提供的模型训练方法训练得到的预设道路交通事件发生概率评估模型中,得到输出的预设道路交通事件发生的概率值。
为了更好地实施以上模型训练方法,本申请实施例还提供一种模型训练装置,该模型训练装置可以集成在终端或服务器中。
例如,如图5所示,为本申请实施例提供的模型训练装置的结构示意图,该模型训练装置可以包括第一获取单元410、划分单元420、第二获取单元430、计算单元440以及训练单元450,如下:
第一获取单元,用于获取预设时间段内预设路段中的道路交通数据,道路交通数据包括预设道路交通事件的统计数据以及道路交通环境数据;
划分单元,用于将道路交通数据划分到多个时空切片中,得到每一时空切片对应的子道路交通数据,时空切片为对预设时间段与预设路段进行两个维度划分得到的切片;
第二获取单元,用于获取每一时空切片中的交通运行对象的运行数据,并根据运行数据计算每一时空切片中交通运行对象之间的轨迹交叉参数;
计算单元,用于根据轨迹交叉参数以及子道路交通数据中的预设道路交通事件的统计数据计算每一时空切片中预设道路交通事件的发生概率;
训练单元,用于以每一时空切片对应的子道路交通数据为输入特征,以每一时空切片对应的预设道路交通事件的发生概率为输出标签训练预设神经网络模型,得到预设道路交通事件发生概率评估模型。
在一些实施例中,第二获取单元,包括:
获取子单元,用于获取每一时空切片中第一类型的交通运行对象对应的第一运行数据以及第二类型的交通运行对象对应的第二运行数据;
第一计算子单元,用于根据第一运行数据和第二运行数据计算每一时空切片中第一类型的交通运行对象与第二类型的交通运行对象之间的轨迹交叉参数。
在一些实施例中,第一计算子单元,包括:
提取模块,用于从第一运行数据中提取第一类型的交通运行对象在每一时空切片中的第一运行时间,以及从第二运行数据中提取第二类型的交通运行对象在每一时空切片中的第二运行时间;
获取模块,用于获取每一时空切片中交通运行对象的平均运行速度、每一时空切片中交通运行对象的可运行道路面积,以及获取每一时空切片中第一类型的交通运行对象与第二类型的交通运行对象之间的影响宽度;
计算模块,用于根据第一运行时间、第二运行时间、平均运行速度、可运行道路面积以及影响宽度计算每一时空切片中第一类型的交通运行对象与第二类型的交通运行对象之间的轨迹交叉参数。
在一些实施例中,计算模块,包括:
第一计算子模块,用于根据平均运行速度、可运行道路面积以及影响宽度计算每一时空切片中第一类型的交通运行对象与第二类型的交通运行对象之间的空间交互系数;
第二计算子模块,用于计算空间交互系数、第一运行时间以及第二运行时间的乘积,得到每一时空切片中第一类型的交通运行对象与第二类型的交通运行对象之间的轨迹交叉参数。
在一些实施例中,计算单元,包括:
第一提取子单元,用于从每一时空切片的子道路交通数据中提取出预设道路交通事件的发生次数;
第二计算子单元,用于计算每一时空切片对应的预设道路交通事件的发生次数与轨迹交叉参数之间的比值,得到每一时空切片中预设道路交通事件的发生概率。
在一些实施例中,训练单元,包括:
第二提取子单元,用于对每一时空切片对应的子道路交通数据进行特征提取,得到每一时空切片对应的特征向量;
输入子单元,用于将每一时空切片对应的特征向量输入至预设神经网络模型,得到每一时空切片对应的输出数据;
第三计算子单元,用于根据每一时空切片对应的输出数据以及预设道路交通事件的发生概率计算损失函数值;
训练子单元,用于基于损失函数值对预设神经网络模型的模型参数进行迭代优化更新,训练得到预设道路交通事件发生概率评估模型。
在一些实施例中,本申请提供的模型训练装置,还包括:
第四计算子单元,用于计算预设道路交通事件发生概率评估模型中每一输入特征对模型输出结果的贡献值;
输出子单元,用于提取对模型输出结果的贡献值大于预设值的目标输入特征,输出目标输入特征以及每一目标输入特征对应的贡献值。
具体实施时,以上各个单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元的具体实施可参见前面的方法实施例,在此不再赘述。
根据上述描述可知,本申请实施例提供的模型训练装置,通过第一获取单元410获取预设时间段内预设路段中的道路交通数据,道路交通数据包括预设道路交通事件的统计数据以及道路交通环境数据;划分单元420将道路交通数据划分到多个时空切片中,得到每一时空切片对应的子道路交通数据,时空切片为对预设时间段与预设路段进行两个维度划分得到的切片;第二获取单元430获取每一时空切片中的交通运行对象的运行数据,并根据运行数据计算每一时空切片中交通运行对象之间的轨迹交叉参数;计算单元440根据轨迹交叉参数以及子道路交通数据中的预设道路交通事件的统计数据计算每一时空切片中预设道路交通事件的发生概率;训练单元450以每一时空切片对应的子道路交通数据为输入特征,以每一时空切片对应的预设道路交通事件的发生概率为输出标签训练预设神经网络模型,得到预设道路交通事件发生概率评估模型。
以此,本申请提供的模型训练方法,通过将历史道路交通数据划分到时空切片维度,得到每一时空切片对应的特征;然后根据每一时空切片中的交通运行对象的运行数据计算交通运行对象之间的轨迹交叉参数,并进一步根据轨迹交叉参数和预设道路交通事件统计数据计算出每一时空切片中预设道路交通事件的发生概率作为训练标签;最后可以根据每一时空切片的特征与对应的训练标签训练预设道路交通事件发生概率评估模型。如此便可以得到对预设道路交通事件发生概率进行系统化评估的方法,可以大大提升预设道路交通事件发生概率评估的准确性。
为了更好地实施以上交通事件发生概率评估方法,本申请实施例还提供一种交通事件发生概率评估装置,该交通事件发生概率评估装置可以集成在终端或服务器中。
例如,如图6所示,为本申请实施例提供的交通事件发生概率评估装置的结构示意图,该交通事件发生概率评估装置可以包括第三获取单元510、确定单元520、第四获取单元530以及输入单元540,如下:
第三获取单元,用于获取待进行预设道路交通事件发生概率评估的目标地点信息以及目标时间信息;
确定单元,用于根据目标地点信息以及目标时间信息确定目标时空切片;
第四获取单元,用于获取目标时空切片对应的目标道路交通数据;
输入单元,用于将目标道路交通数据输入至预设道路交通事件发生概率评估模型,得到输出的预设道路交通事件发生概率值,预设道路交通事件发生概率评估模型为根据前述模型训练方法训练得到的预设道路交通事件发生概率评估模型。
本申请实施例还提供一种计算机设备,该计算机设备可以为终端或服务器,如图7所示,为本申请提供的计算机设备的结构示意图。具体来讲:
该计算机设备可以包括一个或者一个以上处理核心的处理单元601、一个或一个以上存储介质的存储单元602、电源模块603和输入模块604等部件。本领域技术人员可以理解,图7中示出的计算机设备结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理单元601是该计算机设备的控制中心,利用各种接口和线路连接整个计算机设备的各个部分,通过运行或执行存储在存储单元602内的软件程序和/或模块,以及调用存储在存储单元602内的数据,执行计算机设备的各种功能和处理数据。可选的,处理单元601可包括一个或多个处理核心;优选的,处理单元601可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、对象界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理单元601中。
存储单元602可用于存储软件程序以及模块,处理单元601通过运行存储在存储单元602的软件程序以及模块,从而执行各种功能应用以及数据处理。存储单元602可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能以及网页访问等)等;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储单元602可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储单元602还可以包括存储器控制器,以提供处理单元601对存储单元602的访问。
计算机设备还包括给各个部件供电的电源模块603,优选的,电源模块603可以通过电源管理系统与处理单元601逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源模块603还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该计算机设备还可包括输入模块604,该输入模块604可用于接收输入的数字或字符信息,以及产生与对象设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,计算机设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,计算机设备中的处理单元601会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储单元602中,并由处理单元601来运行存储在存储单元602中的应用程序,从而实现各种功能,如下:
获取预设时间段内预设路段中的道路交通数据,道路交通数据包括预设道路交通事件的统计数据以及道路交通环境数据;将道路交通数据划分到多个时空切片中,得到每一时空切片对应的子道路交通数据,时空切片为对预设时间段与预设路段进行两个维度划分得到的切片;获取每一时空切片中的交通运行对象的运行数据,并根据运行数据计算每一时空切片中交通运行对象之间的轨迹交叉参数;根据轨迹交叉参数以及子道路交通数据中的预设道路交通事件的统计数据计算每一时空切片中预设道路交通事件的发生概率;以每一时空切片对应的子道路交通数据为输入特征,以每一时空切片对应的预设道路交通事件的发生概率为输出标签训练预设神经网络模型,得到预设道路交通事件发生概率评估模型。
或者,获取待进行预设道路交通事件发生概率评估的目标地点信息以及目标时间信息;根据目标地点信息以及目标时间信息确定目标时空切片;获取目标时空切片对应的目标道路交通数据;将目标道路交通数据输入至预设道路交通事件发生概率评估模型,得到输出的预设道路交通事件发生概率值,预设道路交通事件发生概率评估模型为根据本申请提供的模型训练方法训练得到的预设道路交通事件发生概率评估模型。
应当说明的是,本申请实施例提供的计算机设备与上文实施例中的方法属于同一构思,以上各个操作的具体实施可参见前面的实施例,在此不作赘述。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本发明实施例提供一种计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的任一种方法中的步骤。例如,该指令可以执行如下步骤:
获取预设时间段内预设路段中的道路交通数据,道路交通数据包括预设道路交通事件的统计数据以及道路交通环境数据;将道路交通数据划分到多个时空切片中,得到每一时空切片对应的子道路交通数据,时空切片为对预设时间段与预设路段进行两个维度划分得到的切片;获取每一时空切片中的交通运行对象的运行数据,并根据运行数据计算每一时空切片中交通运行对象之间的轨迹交叉参数;根据轨迹交叉参数以及子道路交通数据中的预设道路交通事件的统计数据计算每一时空切片中预设道路交通事件的发生概率;以每一时空切片对应的子道路交通数据为输入特征,以每一时空切片对应的预设道路交通事件的发生概率为输出标签训练预设神经网络模型,得到预设道路交通事件发生概率评估模型。
或者,获取待进行预设道路交通事件发生概率评估的目标地点信息以及目标时间信息;根据目标地点信息以及目标时间信息确定目标时空切片;获取目标时空切片对应的目标道路交通数据;将目标道路交通数据输入至预设道路交通事件发生概率评估模型,得到输出的预设道路交通事件发生概率值,预设道路交通事件发生概率评估模型为根据本申请提供的模型训练方法训练得到的预设道路交通事件发生概率评估模型。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令,可以执行本发明实施例所提供的任一种方法中的步骤,因此,可以实现本发明实施例所提供的任一种方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
其中,根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在存储介质中。计算机设备的处理器从存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述模型训练方法或交通事件发生概率评估方法中各种可选实现方式中提供的方法。
以上对本发明实施例所提供的模型训练方法及装置、交通事件发生概率评估方法及装置进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
Claims (13)
1.一种模型训练方法,其特征在于,所述方法包括:
获取预设时间段内预设路段中的道路交通数据,所述道路交通数据包括预设道路交通事件的统计数据以及道路交通环境数据;
将所述道路交通数据划分到多个时空切片中,得到每一时空切片对应的子道路交通数据,所述时空切片为对所述预设时间段与预设路段进行两个维度划分得到的切片;
获取每一时空切片中的交通运行对象的运行数据,并根据所述运行数据计算每一时空切片中交通运行对象之间的轨迹交叉参数;
从每一时空切片的子道路交通数据中提取出所述预设道路交通事件的发生次数;
计算每一时空切片对应的所述预设道路交通事件的发生次数与所述轨迹交叉参数之间的比值,得到每一时空切片中所述预设道路交通事件的发生概率;
以每一时空切片对应的子道路交通数据为输入特征,以每一时空切片对应的预设道路交通事件的发生概率为输出标签训练预设神经网络模型,得到预设道路交通事件发生概率评估模型。
2.根据权利要求1所述的方法,其特征在于,所述获取每一时空切片中的交通运行对象的运行数据,并根据所述运行数据计算每一时空切片中交通运行对象之间的轨迹交叉参数,包括:
获取每一时空切片中第一类型的交通运行对象对应的第一运行数据以及第二类型的交通运行对象对应的第二运行数据;
根据所述第一运行数据和第二运行数据计算每一时空切片中所述第一类型的交通运行对象与所述第二类型的交通运行对象之间的轨迹交叉参数。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一运行数据和第二运行数据计算每一时空切片中所述第一类型的交通运行对象与所述第二类型的交通运行对象之间的轨迹交叉参数,包括:
从所述第一运行数据中提取所述第一类型的交通运行对象在每一时空切片中的第一运行时间,以及从所述第二运行数据中提取所述第二类型的交通运行对象在每一时空切片中的第二运行时间;
获取每一时空切片中交通运行对象的平均运行速度、每一时空切片中交通运行对象的可运行道路面积,以及获取每一时空切片中所述第一类型的交通运行对象与所述第二类型的交通运行对象之间的影响宽度;
根据所述第一运行时间、所述第二运行时间、所述平均运行速度、所述可运行道路面积以及所述影响宽度计算每一时空切片中所述第一类型的交通运行对象与所述第二类型的交通运行对象之间的轨迹交叉参数。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第一运行时间、所述第二运行时间、所述平均运行速度、所述可运行道路面积以及所述影响宽度计算每一时空切片中所述第一类型的交通运行对象与所述第二类型的交通运行对象之间的轨迹交叉参数,包括:
根据所述平均运行速度、所述可运行道路面积以及所述影响宽度计算每一时空切片中所述第一类型的交通运行对象与所述第二类型的交通运行对象之间的空间交互系数;
计算所述空间交互系数、所述第一运行时间以及所述第二运行时间的乘积,得到每一时空切片中所述第一类型的交通运行对象与所述第二类型的交通运行对象之间的轨迹交叉参数。
5.根据权利要求1所述的方法,其特征在于,所述以每一时空切片对应的子道路交通数据为输入特征,以每一时空切片对应的预设道路交通事件的发生概率为输出标签训练预设神经网络模型,得到预设道路交通事件发生概率评估模型,包括:
对每一时空切片对应的子道路交通数据进行特征提取,得到每一时空切片对应的特征向量;
将每一时空切片对应的特征向量输入至预设神经网络模型,得到每一时空切片对应的输出数据;
根据每一时空切片对应的输出数据以及预设道路交通事件的发生概率计算损失函数值;
基于所述损失函数值对所述预设神经网络模型的模型参数进行迭代优化更新,训练得到预设道路交通事件发生概率评估模型。
6.根据权利要求1至5中任一项所述的方法,其特征在于,所述方法还包括:
计算所述预设道路交通事件发生概率评估模型中每一输入特征对模型输出结果的贡献值;
提取对模型输出结果的贡献值大于预设值的目标输入特征,输出所述目标输入特征以及每一所述目标输入特征对应的贡献值。
7.一种交通事件发生概率评估方法,其特征在于,所述方法包括:
获取待进行预设道路交通事件发生概率评估的目标地点信息以及目标时间信息;
根据所述目标地点信息以及目标时间信息确定目标时空切片;
获取所述目标时空切片对应的目标道路交通数据;
将所述目标道路交通数据输入至预设道路交通事件发生概率评估模型,得到输出的预设道路交通事件发生概率值,所述预设道路交通事件发生概率评估模型为根据权利要求1至6中任一项所述的模型训练方法训练得到的预设道路交通事件发生概率评估模型。
8.一种模型训练装置,其特征在于,所述装置包括:
第一获取单元,用于获取预设时间段内预设路段中的道路交通数据,所述道路交通数据包括预设道路交通事件的统计数据以及道路交通环境数据;
划分单元,用于将所述道路交通数据划分到多个时空切片中,得到每一时空切片对应的子道路交通数据,所述时空切片为对所述预设时间段与预设路段进行两个维度划分得到的切片;
第二获取单元,用于获取每一时空切片中的交通运行对象的运行数据,并根据所述运行数据计算每一时空切片中交通运行对象之间的轨迹交叉参数;
计算单元,用于从每一时空切片的子道路交通数据中提取出所述预设道路交通事件的发生次数;计算每一时空切片对应的所述预设道路交通事件的发生次数与所述轨迹交叉参数之间的比值,得到每一时空切片中所述预设道路交通事件的发生概率;
训练单元,用于以每一时空切片对应的子道路交通数据为输入特征,以每一时空切片对应的预设道路交通事件的发生概率为输出标签训练预设神经网络模型,得到预设道路交通事件发生概率评估模型。
9.根据权利要求8所述的装置,其特征在于,所述第二获取单元,包括:
获取子单元,用于获取每一时空切片中第一类型的交通运行对象对应的第一运行数据以及第二类型的交通运行对象对应的第二运行数据;
第一计算子单元,用于根据所述第一运行数据和第二运行数据计算每一时空切片中所述第一类型的交通运行对象与所述第二类型的交通运行对象之间的轨迹交叉参数。
10.根据权利要求8所述的装置,其特征在于,所述装置还包括:
第二计算子单元,用于计算所述预设道路交通事件发生概率评估模型中每一输入特征对模型输出结果的贡献值;
输出子单元,用于提取对模型输出结果的贡献值大于预设值的目标输入特征,输出所述目标输入特征以及每一所述目标输入特征对应的贡献值。
11.一种交通事件发生概率评估装置,其特征在于,所述装置包括:
第三获取单元,用于获取待进行预设道路交通事件发生概率评估的目标地点信息以及目标时间信息;
确定单元,用于根据所述目标地点信息以及目标时间信息确定目标时空切片;
第四获取单元,用于获取所述目标时空切片对应的目标道路交通数据;
输入单元,用于将所述目标道路交通数据输入至预设道路交通事件发生概率评估模型,得到输出的预设道路交通事件发生概率值,所述预设道路交通事件发生概率评估模型为根据权利要求1至6中任一项所述的模型训练方法训练得到的预设道路交通事件发生概率评估模型。
12.一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存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至6中任一项所述的模型训练方法或权利要求7中所述的交通事件发生概率评估方法中的步骤。
13.一种计算机设备,其特征在于,包括存储器、处理器以及存储在所述存储器中并可以在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的模型训练方法或权利要求7中所述的交通事件发生概率评估方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210396692.0A CN114492544B (zh) | 2022-04-15 | 2022-04-15 | 模型训练方法及装置、交通事件发生概率评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210396692.0A CN114492544B (zh) | 2022-04-15 | 2022-04-15 | 模型训练方法及装置、交通事件发生概率评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114492544A CN114492544A (zh) | 2022-05-13 |
CN114492544B true CN114492544B (zh) | 2022-07-26 |
Family
ID=81489350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210396692.0A Active CN114492544B (zh) | 2022-04-15 | 2022-04-15 | 模型训练方法及装置、交通事件发生概率评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114492544B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115206103B (zh) * | 2022-07-18 | 2023-05-30 | 山西省智慧交通研究院有限公司 | 一种基于平行仿真系统的可变限速控制系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018122585A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于浮动车数据的城市道路交通异常检测方法 |
CN109118773A (zh) * | 2018-09-30 | 2019-01-01 | 中交第公路勘察设计研究院有限公司 | 一种高速公路交通事故风险评估方法 |
CN112257954A (zh) * | 2020-11-04 | 2021-01-22 | 北京世纪高通科技有限公司 | 预测分段道路风险等级的方法、装置、系统及存储介质 |
WO2021058099A1 (en) * | 2019-09-25 | 2021-04-01 | Huawei Technologies Co., Ltd. | Multi-step traffic prediction |
WO2021191168A1 (en) * | 2020-03-21 | 2021-09-30 | Extracover Holdings Limited | System and method for predicting road crash risk and severity using machine learning trained on augmented datasets |
CN113561974A (zh) * | 2021-08-25 | 2021-10-29 | 清华大学 | 基于车辆行为交互与道路结构耦合的碰撞风险预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862240B (zh) * | 2020-12-30 | 2022-05-17 | 厦门大学 | 一种基于城市大数据的道路障碍风险评估方法、装置及可读存储介质 |
-
2022
- 2022-04-15 CN CN202210396692.0A patent/CN114492544B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018122585A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于浮动车数据的城市道路交通异常检测方法 |
CN109118773A (zh) * | 2018-09-30 | 2019-01-01 | 中交第公路勘察设计研究院有限公司 | 一种高速公路交通事故风险评估方法 |
WO2021058099A1 (en) * | 2019-09-25 | 2021-04-01 | Huawei Technologies Co., Ltd. | Multi-step traffic prediction |
WO2021191168A1 (en) * | 2020-03-21 | 2021-09-30 | Extracover Holdings Limited | System and method for predicting road crash risk and severity using machine learning trained on augmented datasets |
CN112257954A (zh) * | 2020-11-04 | 2021-01-22 | 北京世纪高通科技有限公司 | 预测分段道路风险等级的方法、装置、系统及存储介质 |
CN113561974A (zh) * | 2021-08-25 | 2021-10-29 | 清华大学 | 基于车辆行为交互与道路结构耦合的碰撞风险预测方法 |
Non-Patent Citations (1)
Title |
---|
基于实时交通流的事故风险评估与分析模型;马新露 等;《华南理工大学学报(自然科学版)》;20210831;第49卷(第8期);第1-2页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114492544A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111566664B (zh) | 用于生成用于机器学习的合成图像数据的方法、设备和系统 | |
US10703381B2 (en) | Intelligent vehicle action decisions | |
Chen et al. | Learning deep representation from big and heterogeneous data for traffic accident inference | |
CN109155104B (zh) | 推荐估计到达时间的系统和方法 | |
US20160125307A1 (en) | Air quality inference using multiple data sources | |
AU2020101738A4 (en) | Automated real-time driving behavioural modelling analysis and reporting in denser traffic using data mining | |
CN111582559B (zh) | 一种到达时间的预估方法及装置 | |
CN110472999B (zh) | 基于地铁和共享单车数据的客流模式分析方法及装置 | |
CN110990661B (zh) | 一种基于路网约束和密度聚类的兴趣区域出入口提取方法 | |
US11170649B2 (en) | Integrated collision avoidance and road safety management system | |
Visan et al. | Towards intelligent public transport systems in Smart Cities; Collaborative decisions to be made | |
CN114360239A (zh) | 一种多层时空交通知识图谱重建的交通预测方法及系统 | |
CN113988476A (zh) | 一种针对道路运输安全风险的动态评估预测方法 | |
Wang et al. | A traffic prediction model based on multiple factors | |
CN114492544B (zh) | 模型训练方法及装置、交通事件发生概率评估方法及装置 | |
Wu et al. | Clustering of several typical behavioral characteristics of commercial vehicle drivers based on GPS data mining: Case study of highways in China | |
Joseph et al. | A novel hybrid deep learning algorithm for smart city traffic congestion predictions | |
Zheng et al. | A deep learning–based approach for moving vehicle counting and short-term traffic prediction from video images | |
CN114596709A (zh) | 数据处理方法、装置、设备以及存储介质 | |
CN117251722A (zh) | 一种基于大数据的智慧交通管理系统 | |
CN116451862A (zh) | 模型训练方法和装置、交通事件发生概率评估方法和装置 | |
Song et al. | Remote estimation of free-flow speeds | |
CN113850297B (zh) | 道路数据的监测方法、装置、电子设备及存储介质 | |
Hu et al. | An image-based crash risk prediction model using visual attention mapping and a deep convolutional neural network | |
CN111062555B (zh) | 城市画像的构建方法、装置、介质及电子设备 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40067608 Country of ref document: HK |