CN114662583A - 应急事件防控调度方法、装置、电子设备和存储介质 - Google Patents

应急事件防控调度方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN114662583A
CN114662583A CN202210252965.4A CN202210252965A CN114662583A CN 114662583 A CN114662583 A CN 114662583A CN 202210252965 A CN202210252965 A CN 202210252965A CN 114662583 A CN114662583 A CN 114662583A
Authority
CN
China
Prior art keywords
accident
random forest
target
target road
monitoring 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.)
Pending
Application number
CN202210252965.4A
Other languages
English (en)
Inventor
张镇
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.)
Beijing Kingsoft Cloud Network Technology Co Ltd
Original Assignee
Beijing Kingsoft Cloud Network 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 Beijing Kingsoft Cloud Network Technology Co Ltd filed Critical Beijing Kingsoft Cloud Network Technology Co Ltd
Priority to CN202210252965.4A priority Critical patent/CN114662583A/zh
Publication of CN114662583A publication Critical patent/CN114662583A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)

Abstract

本公开实施例公开了一种应急事件防控调度方法、装置、电子设备和存储介质，该方法包括：实时获取各交通道路的监控数据流；将所述监控数据流输入至训练过的贝叶斯网络模型，获得在目标路段、目标时间发生事故的第一概率，所述监控数据流包括所述目标路段的监控数据；当所述第一概率达到预警阈值时，对所述目标路段和所述目标时间进行预警，以在所述目标时间为所述目标路段进行应急事件的防控调度；其中，所述贝叶斯网络模型中的各节点以及所述各节点条件概率的初始值基于通过第一随机森林模型所获得的已经发生的历史事故中的事故触发条件、事故触发行为和事故结果之间的对应关系确定。本公开可对事故进行提前预警，可有效防控事故的发生。

Description

应急事件防控调度方法、装置、电子设备和存储介质
技术领域
本公开涉及应急防控技术领域，尤其涉及一种应急事件防控调度方法、装置、电子设备和存储介质。
背景技术
随着城市经济的高速发展，城市人口迅速膨胀，在增加就业带动经济的同时，也对城市交通治安等基础设施带来了巨大的压力。
然而，城市巡逻防控的人力往往有限，防控投入与实际防控工作的成功并不成正比。目前现有的智慧城市应急调度技术局限于在事故发生之后，才进行相应的事件指挥与人员分派，该种应急调度方式只能减少事故带来的损失，但无法防控事故的发生。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开实施例提供了一种应急事件防控调度方法、装置、电子设备和存储介质，可对事故进行提前预警，可有效防控事故的发生。
第一方面，本公开实施例提供了一种应急事件防控调度方法，包括：
实时获取各交通道路的监控数据流；
将所述监控数据流输入至训练过的贝叶斯网络模型，获得在目标路段、目标时间发生事故的第一概率，所述监控数据流包括所述目标路段在所述目标时间的监控数据；
当所述第一概率达到预警阈值时，对所述目标路段和所述目标时间进行预警，以在所述目标时间为所述目标路段进行应急事件的防控调度；
其中，所述贝叶斯网络模型中的各节点以及所述各节点条件概率的初始值基于通过第一随机森林模型所获得的已经发生的历史事故中的事故触发条件、事故触发行为和事故结果之间的对应关系确定。
可选的，还包括：
基于已发生过的历史交通事故的详情记录数据，确定第一训练样本集以及第一测试样本集；所述第一训练样本集包括事故诱因数据分区，所述第一随机森林模型基于所述第一训练样本集进行训练且基于所述第一测试样本集进行测试获得，所述第一随机森林模型用于确定事故触发条件、事故触发行为和事故结果之间的对应关系。
可选的，还包括：
确定已发生过的第一交通事故的详情记录数据；
将所述第一交通事故的详情记录数据输入至训练过的巡查模型，获得事故发生率大于预设阈值的第一目标路段和参考时间；
将所述第一目标路段和参考时间发送至应急事件防控调度平台，以基于所述第一目标路段和参考时间进行应急事件防控调度；
其中，所述巡查模型包括第二随机森林模型和第三随机森林模型；所述第二随机森林模型基于第二训练样本集进行训练且基于第二测试样本集进行测试获得，所述第三随机森林模型基于第三训练样本集进行训练且基于第三测试样本集进行测试获得；
所述第二训练样本集包括空间点数据分区，所述第二随机森林模型用于确定空间点位与事故发生概率之间的对应关系；
所述第三训练样本集包括时间段数据分区，所述第三随机森林模型用于确定时间段与事故发生概率之间的对应关系；
所述第二训练样本集、所述第三训练样本集、所述第二测试样本集以及所述第三测试样本集是基于已发生过的历史交通事故的详情记录数据确定的。
可选的，所述第一随机森林模型、所述第二随机森林模型以及所述第三随机森林模型分别包括多个决策树。
可选的，所述将所述第一目标路段和参考时间发送至应急事件防控调度平台之后，还包括：
按照所述参考时间，在地理信息系统中对所述第一目标路段进行多图层的点位标记。
可选的，还包括：
在确定所述监控数据流对应的事故结果之后，基于与所述监控数据流对应的事故触发条件、事故触发行为和事故结果之间的对应关系对所述贝叶斯网络模型进行训练。
可选的，所述对所述目标路段和所述目标时间进行预警，包括：
在与应急安全通报预警平台关联的地理信息系统中对所述目标路段和所述目标时间进行显示。第二方面，本公开实施例还提供了一种应急事件防控调度装置，该装置包括：
获取模块，用于实时获取各交通道路的监控数据流；
预测模块，用于将所述监控数据流输入至训练过的贝叶斯网络模型，获得在目标路段、目标时间发生事故的第一概率，所述监控数据流包括所述目标路段在所述目标时间的监控数据；
预警模块，用于当所述第一概率达到预警阈值时，对所述目标路段和所述目标时间进行预警，以在所述目标时间为所述目标路段进行应急事件的防控调度；
其中，所述贝叶斯网络模型中的各节点以及所述各节点条件概率的初始值基于通过第一随机森林模型所获得的已经发生的历史事故中的事故触发条件、事故触发行为和事故结果之间的对应关系确定。
第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的应急事件防控调度方法。
第四方面，本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的应急事件防控调度方法。
第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机程序或指令，该计算机程序或指令被处理器执行时实现如上所述的应急事件防控调度方法。
本公开实施例提供的技术方案与现有技术相比至少具有如下优点：
本公开实施例提供的应急事件防控调度方法，通过训练过的贝叶斯网络模型对实时获取的监控数据流进行分析，获得目标路段在目标时间发生事故的第一概率，当第一概率达到预警阈值时，进行预警，实现了对事故进行提前预警、有效防控事故发生的目的。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本公开实施例中的一种应急事件防控调度方法的流程图；
图2为本公开实施例中的一种应急事件防控调度系统的结构示意图；
图3为本公开实施例中的一种应急事件防控调度装置的结构示意图；
图4为本公开实施例中的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
图1为本公开实施例中的一种应急事件防控调度方法的流程图，本实施例可适用于对道路上的交通事故进行预测，并提前预警的情况。该方法可以由应急事件防控调度装置执行，该装置可以采用软件和/或硬件的方式实现，该装置可配置于电子设备中，例如服务器。
如图1所示，该方法具体可以包括：
步骤110、实时获取各交通道路的监控数据流。
其中，实时获取的含义可以理解为是按照设定的周期或者频率获取。可选的，可以通过交管局目前已经安装在各道路上的摄像头获取各交通道路的监控数据流。也可以针对性的在合适的位置单独设置为本公开实施例的方案提供监控数据流的拍摄装置。该拍摄装置包括支持算法植入的芯片以及边缘计算能力的监控摄像头。需要说明的是，监控数据流可以通过视频专网从拍摄装置传输至应急事件防控调度装置，以保证传输速度和传输可靠性。
监控数据流可以是图片或者视频等。监控数据流可以反应当前的时间、当前的天气情况、当前的道路交通状况、道路特征等。例如当前的时间是否是凌晨、是否是晚上、是否是上班、下班高峰期等。当前的天气情况例如是是否下雨、是否下雪、是否有雾等。当前的道路交通状况例如是是否存在超速行驶的车辆、是否存在压线行驶的车辆等。道路特征例如是是否是路口、是否是拐弯路段、是否有路灯等。
步骤120、将所述监控数据流输入至训练过的贝叶斯网络模型，获得在目标路段、目标时间发生事故的第一概率，所述监控数据流包括所述目标路段的监控数据。
步骤130、当所述第一概率达到预警阈值时，对所述目标路段和所述目标时间进行预警，以在所述目标时间为所述目标路段进行应急事件的防控调度。
其中，所述贝叶斯网络模型中的各节点以及所述各节点条件概率的初始值基于通过第一随机森林模型所获得的已经发生的历史事故中的事故触发条件、事故触发行为和事故结果之间的对应关系确定。历史事故指已经发生的交通事故，针对已经发生的交通事故，在公安交通网通常存在与该交通事故对应的详情记录，例如引发该交通事故的原因等。历史事故触发条件例如是下雨、拐弯路段、凌晨、车流量较大或者人流量较大等，即可以从天气、位置、时间段、车流量或者人流量等维度确定事故发生的触发条件。历史事故触发行为例如是多次压线行驶、偏离车道、闯红灯、长时间超速等。历史事故结果例如是前后两辆车发生追尾、三辆及以上的车辆连环追尾、两辆车之间刮蹭等。
通过在所述目标时间为所述目标路段进行应急事件的防控调度，可有效降低事故的真实发生率。例如，当确定目标时间在目标路段存在较多压线行驶的车辆时，则及时为该目标路段分派人工警力进行交通指挥、疏通等，从而预防交通事故的真实发生率。在确定所述监控数据流对应的事故结果之后，基于与所述监控数据流对应的事故触发条件、事故触发行为和事故结果之间的对应关系对所述贝叶斯网络模型进行训练，即不断地收集样本数据，对贝叶斯网络模型进行不断的迭代训练，以不断地提升贝叶斯网络模型的输出可靠性，可解决目前样本数据不足的问题。
具体的，通过各地交通公安网获取过去几年(例如过去10年)的交通事故详情记录，即基于已发生过的历史交通事故的详情记录数据确定第一训练样本集以及第一测试样本集。所述第一训练样本集包括事故诱因数据分区，例如是否下雨、是否路面湿滑、是否超速等特征的事故诱因数据分区。所述第一随机森林模型基于所述第一训练样本集进行训练且基于所述第一测试样本集进行测试获得，所述第一随机森林模型用于确定事故触发条件、事故触发行为和事故结果之间的对应关系。所述第一随机森林模型包括多个决策树。
进一步的，所述方法还包括：
确定已发生过的第一交通事故的详情记录数据；将所述第一交通事故的详情记录数据输入至训练过的巡查模型，获得事故发生率大于预设阈值的第一目标路段和参考时间；将所述第一目标路段和参考时间发送至应急事件防控调度平台，以基于所述第一目标路段和参考时间进行应急事件防控调度；其中，所述巡查模型包括第二随机森林模型和第三随机森林模型。
所述第二随机森林模型基于第二训练样本集进行训练且基于第二测试样本集进行测试获得，所述第三随机森林模型基于第三训练样本集进行训练且基于第三测试样本集进行测试获得。
所述第二训练样本集包括空间点数据分区，例如是否是路口、是否是监控道路、是否有路灯等特征的数据分区。所述第二随机森林模型用于确定空间点位与事故发生概率之间的对应关系。所述第三训练样本集包括时间段数据分区，例如是否是晚上、是否是下班时间、是否是凌晨等特征的数据分区。所述第三随机森林模型用于确定时间段与事故发生概率之间的对应关系。所述第二训练样本集、所述第三训练样本集、所述第二测试样本集以及所述第三测试样本集是基于已发生过的历史交通事故的详情记录数据确定的。
所述第一随机森林模型、所述第二随机森林模型以及所述第三随机森林模型分别包括多个决策树。具体的，首先从各地交通公安网获取过去几年发生过的交通事故的详情记录数据，并对该数据进行预处理，然后通过离线批量式数据训练的方式进行多个决策树模型训练，得到较为完备的随机森林模型，再对此随机森林模型的输出结果进行性能评估和数据迭代，以确保随机森林模型的输出可靠性。
随机森林模型属于有监督学习的机器学习算法，上述的随机森林模型包括第一随机森林模型、第二随机森林模型以及第三随机森林模型。第一随机森林模型用于确定事故触发条件、事故触发行为和事故结果之间的对应关系；第二随机森林模型用于确定空间点位与事故发生概率之间的对应关系；第三随机森林模型用于确定时间段与事故发生概率之间的对应关系。概括性的，上述的第一随机森林模型、第二随机森林模型以及第三随机森林模型用于辅助应急防控调度决策以及辅助搭建上述贝叶斯网络模型。
可以理解的是，为了提高模型的训练速度以及模型性能，需要对发生过的交通事故的详情记录数据进行特征分离，例如空间点数据分区包含：是否是路口、是否是监控道路、是否有路灯等等特征；时间段数据分区包含：是否是晚上、是否是下班时间、是否是凌晨等等特征；事故诱因数据分区包含：是否下雨、是否路面湿滑、是否超速等等特征。将数据总集划分为三个训练样本集以及若干个测试集，训练样本集中将有放回的抽取N次相当于样本容量N的数据来平衡误差以及确保数据的准确性。数据预处理与模型训练可同步进行，并多次迭代。概括性的，训练样本集中的数据包括空间点数据分区、时间段数据分区和事故诱因数据分区；空间点数据分区包含：是否是路口、是否是监控道路、是否有路灯等等特征；时间段数据分区包含：是否是晚上、是否是下班时间、是否是凌晨等等特征；事故诱因数据分区包含：是否下雨、是否路面湿滑、是否超速等等特征。
使用训练集在上述三个随机森林模型中搭建若干个决策树，测试数据集需依次通过第二随机森林模型以及第三随机森林模型，当测试样本中数据发生事故空间点以及时间段的概率大于平均事故概率时，对于不同的时间段进行多图层的地理信息系统标记；使用不同的测试数据集进行地理信息系统点位标记，记录不同测试集的同一时间段图层地理信息系统标记重叠度，如果重叠度不高，说明模型性能不好，需对模型继续进行训练或者调整模型的结构，故可根据重叠度可确定是否继续进行数据训练和模型迭代，汇总样本成果后检查最终结果，并将最终结果输出至应急防控调度平台，以辅助应急防控调度平台在事故高发路段和高发时间段合理安排巡警人员到现场进行防控。
因考虑到不同城市地区对于交通事故的详情记录数据的保存规格并不统一，使用随机森林模型算法在数据特征遗失时仍可维持一定的准确度且相对于单一决策树不容易过拟合。另外随机森林能够判断不同数据特征之间的相互影响以及重要程度，能对后续贝叶斯网络模型的搭建提供帮助。
贝叶斯网络模型是表达不同事件相依关系的非精确概率图模型，根据所掌握的观测数据集(即训练样本集和测试样本集)以及第一随机森林模型，挖掘事故的触发条件(天气、位置、时间段、车流量、人流量等)、触发行为(多次行车压线、偏离、闯红灯、长时间超速等)、事故结果(根据事故结果进行不同的应急防控风险等级输出)等相关因素之间的相依关系，搭建与观测数据集拟合度最高的贝叶斯网络模型，根据观测数据集对贝叶斯网络各个节点的条件概率进行取值，再输入训练数据集对贝叶斯网络模型进行优化及迭代。可以理解的是，上述贝叶斯网络模型、第一随机森林模型、第二随机森林模型以及第三随机森林模型是彼此独立的四个模型。其中，所述第一随机森林模型用于确定事故触发条件、事故触发行为和事故结果之间的对应关系。贝叶斯网络模型中的各节点以及所述各节点条件概率的初始值基于通过第一随机森林模型所获得的已经发生的历史事故中的事故触发条件、事故触发行为和事故结果之间的对应关系确定。贝叶斯网络模型用于基于实时获取的各交通道路的监控数据流确定在目标路段、目标时间发生事故的第一概率，以实现对还未发生的事故进行预警层面的应急事件的防控调度，有效防控事故的发生。
所述第二随机森林模型用于确定空间点位与事故发生概率之间的对应关系。所述第三随机森林模型用于确定时间段与事故发生概率之间的对应关系。根据第二随机森林模型和第三随机森林模型获得基于过往事故的空间特征和时间特征的巡查模型，利用该巡查模型对过去发生的交通事故的详情记录数据进行分析，获得事故高发路段和时间段，并在地理信息系统进行点位标记，获得基于时间段的多图层地理信息系统点位标记，并输出给应急防控调度平台作为参考，合理布局巡逻警力，有效防控事故的发生。
所述将所述第一目标路段和参考时间发送至应急事件防控调度平台之后，还包括：按照所述参考时间，在地理信息系统和/或数字孪生智能操作中心(IntelligentOperationsCenter，IOC)对所述第一目标路段进行多图层的点位标记，以方便查看。
所述对所述目标路段和所述目标时间进行预警，包括：在与应急安全通报预警平台关联的地理信息系统和/或数字孪生智能操作中心对所述目标路段和所述目标时间进行显示。通过使用数字孪生智能操作中心，显示粒度可精确到楼宇、地形、桥梁、河道或者植被等。
本公开实施例提供的应急事件防控调度方法，以过往交通事故数据以及实时的监控数据流为基础，通过随机森林算法模型以及贝叶斯网络概率模型提供应急防控调度决策，可达到减少事故发生率的目的。以空间点和时间段为主的多图层地理信息系统标识，添加外部因素如天气、环境等作为贝叶斯网络节点条件，给出不同的风险等级，提高了防控调度决策的准确性。
在上述实施例的基础上，参考如图2所示的一种应急事件防控调度系统的结构示意图，其包括数据输入模块、机器学习模型处理模块和结果输出模块。其中包括数据库离线数据输入，指收集到的过去发生的交通事故的详情记录数据，然后经过数据预处理，包括样本数据分类清洗，获得样本训练数据集和样本测试数据集；基于样本训练数据集分别对第一随机森林模型、第二随机森林模型和第三随机森林模型进行训练，并将训练后的第二随机森林模型和第三随机森林模型集成到巡查模型中，使用样本测试数据集对巡查模型进行测试和迭代，获得基于过往事故的空间特征和时间特征的巡查模型，利用该巡查模型对过去发生的交通事故的详情记录数据进行分析，获得事故高发路段和时间段，并在地理信息系统进行点位标记，获得基于时间段的多图层地理信息系统点位标记，并输出给应急防控调度平台作为参考，合理布局巡逻警力，有效防控事故的发生概率。
另一方面，基于第一随机森林模型的输出结果搭建贝叶斯网络预测模型，对还未发生的交通事故进行预测并预警。具体是基于通过第一随机森林模型获得的已经发生的历史事故中的事故触发条件、事故触发行为和事故结果之间的对应关系确定贝叶斯网络模型中的各节点以及所述各节点条件概率的初始值，然后利用该贝叶斯网络模型对实时监控流数据进行事故预测，并在获知事故结果后，将实时监控流数据作为新的训练样本，对贝叶斯网络模型进行在线训练，以不断地提高贝叶斯网络模型的输出准确度。在预测时，若确定事故的发生概率达到预警阈值时，实时显示触发的地点和时间(即目标路段和目标时间)，并发送至应急安全通报预警系统，以为防控调度提供参考数据。
图3为本公开实施例中的一种应急事件防控调度装置的结构示意图。本公开实施例所提供的应急事件防控调度装置可以配置于客户端中，或者可以配置于服务端中，该应急事件防控调度装置300具体包括：获取模块310、预测模块320和预警模块330。
其中，获取模块310，用于实时获取各交通道路的监控数据流；预测模块320，用于将所述监控数据流输入至训练过的贝叶斯网络模型，获得在目标路段、目标时间发生事故的第一概率，所述监控数据流包括所述目标路段在所述目标时间的监控数据；预警模块330，用于当所述第一概率达到预警阈值时，对所述目标路段和所述目标时间进行预警，以在所述目标时间为所述目标路段进行应急事件的防控调度；其中，所述贝叶斯网络模型中的各节点以及所述各节点条件概率的初始值基于通过第一随机森林模型所获得的已经发生的历史事故中的事故触发条件、事故触发行为和事故结果之间的对应关系确定。
可选的，还包括：第一确定模块，用于基于已发生过的历史交通事故的详情记录数据，确定第一训练样本集以及第一测试样本集；所述第一训练样本集包括事故诱因数据分区，所述第一随机森林模型基于所述第一训练样本集进行训练且基于所述第一测试样本集进行测试获得，所述第一随机森林模型用于确定事故触发条件、事故触发行为和事故结果之间的对应关系。
可选的，还包括：第二确定模块，用于确定已发生过的第一交通事故的详情记录数据；分析模块，用于将所述第一交通事故的详情记录数据输入至训练过的巡查模型，获得事故发生率大于预设阈值的第一目标路段和参考时间；发送模块，用于将所述第一目标路段和参考时间发送至应急事件防控调度平台，以基于所述第一目标路段和参考时间进行应急事件防控调度；其中，所述巡查模型包括第二随机森林模型和第三随机森林模型；所述第二随机森林模型基于第二训练样本集进行训练且基于第二测试样本集进行测试获得，所述第三随机森林模型基于第三训练样本集进行训练且基于第三测试样本集进行测试获得；所述第二训练样本集包括空间点数据分区，所述第二随机森林模型用于确定空间点位与事故发生概率之间的对应关系；所述第三训练样本集包括时间段数据分区，所述第三随机森林模型用于确定时间段与事故发生概率之间的对应关系；所述第二训练样本集、所述第三训练样本集、所述第二测试样本集以及所述第三测试样本集是基于已发生过的历史交通事故的详情记录数据确定的。
可选的，所述第一随机森林模型、所述第二随机森林模型以及所述第三随机森林模型分别包括多个决策树。
可选的，还包括：标记模块，用于在所述将所述第一目标路段和参考时间发送至应急事件防控调度平台之后，按照所述参考时间，在地理信息系统中对所述第一目标路段进行多图层的点位标记。
可选的，还包括：训练模块，用于在确定所述监控数据流对应的事故结果之后，基于与所述监控数据流对应的事故触发条件、事故触发行为和事故结果之间的对应关系对所述贝叶斯网络模型进行训练；所述贝叶斯网络模型中的各节点条件包括天气类型和环境类型。
可选的，所述预警模块330包括显示单元，用于在与应急安全通报预警平台关联的地理信息系统中对所述目标路段和所述目标时间进行显示。
本公开实施例提供的应急事件防控调度装置，以过往交通事故数据以及实时的监控数据流为基础，通过随机森林算法模型以及贝叶斯网络概率模型提供应急防控调度决策，可达到减少事故发生率的目的。以空间点和时间段为主的多图层地理信息系统标识，添加外部因素如天气、环境等作为贝叶斯网络节点条件，给出不同的风险等级，提高了防控调度决策的准确性。
本公开实施例提供的应急事件防控调度装置，可执行本公开方法实施例所提供的应急事件防控调度方法中的步骤，具备执行步骤和有益效果此处不再赘述。
图4为本公开实施例中的一种电子设备的结构示意图。下面具体参考图4，其示出了适于用来实现本公开实施例中的电子设备500的结构示意图。本公开实施例中的电子设备500可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)、可穿戴电子设备等等的移动终端以及诸如数字TV、台式计算机、智能家居设备等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理以实现如本公开所述的实施例的方法。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码，从而实现如上所述的应急事件防控调度方法。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：实时获取各交通道路的监控数据流；将所述监控数据流输入至训练过的贝叶斯网络模型，获得在目标路段、目标时间发生事故的第一概率，所述监控数据流包括所述目标路段的监控数据；当所述第一概率达到预警阈值时，对所述目标路段和所述目标时间进行预警，以在所述目标时间为所述目标路段进行应急事件的防控调度；其中，所述贝叶斯网络模型中的各节点以及所述各节点条件概率的初始值基于通过第一随机森林模型所获得的已经发生的历史事故中的事故触发条件、事故触发行为和事故结果之间的对应关系确定。
可选的，当上述一个或者多个程序被该电子设备执行时，该电子设备还可以执行上述实施例所述的其他步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (11)

1.一种应急事件防控调度方法，其特征在于，所述方法包括：
实时获取各交通道路的监控数据流；
将所述监控数据流输入至训练过的贝叶斯网络模型，获得在目标路段、目标时间发生事故的第一概率，所述监控数据流包括所述目标路段的监控数据；
当所述第一概率达到预警阈值时，对所述目标路段和所述目标时间进行预警，以在所述目标时间为所述目标路段进行应急事件的防控调度；
其中，所述贝叶斯网络模型中的各节点以及所述各节点条件概率的初始值基于通过第一随机森林模型所获得的已经发生的历史事故中的事故触发条件、事故触发行为和事故结果之间的对应关系确定。
2.根据权利要求1所述的方法，其特征在于，还包括：
基于已发生过的历史交通事故的详情记录数据确定第一训练样本集以及第一测试样本集；
所述第一训练样本集包括事故诱因数据分区，所述第一随机森林模型基于所述第一训练样本集进行训练且基于所述第一测试样本集进行测试获得，所述第一随机森林模型用于确定事故触发条件、事故触发行为和事故结果之间的对应关系。
3.根据权利要求1所述的方法，其特征在于，还包括：
确定已发生过的第一交通事故的详情记录数据；
将所述第一交通事故的详情记录数据输入至训练过的巡查模型，获得事故发生率大于预设阈值的第一目标路段和参考时间；
将所述第一目标路段和参考时间发送至应急事件防控调度平台，以基于所述第一目标路段和参考时间进行应急事件防控调度；
其中，所述巡查模型包括第二随机森林模型和第三随机森林模型；所述第二随机森林模型基于第二训练样本集进行训练且基于第二测试样本集进行测试获得，所述第三随机森林模型基于第三训练样本集进行训练且基于第三测试样本集进行测试获得；
所述第二训练样本集包括空间点数据分区，所述第二随机森林模型用于确定空间点位与事故发生概率之间的对应关系；
所述第三训练样本集包括时间段数据分区，所述第三随机森林模型用于确定时间段与事故发生概率之间的对应关系；
所述第二训练样本集、所述第三训练样本集、所述第二测试样本集以及所述第三测试样本集是基于已发生过的历史交通事故的详情记录数据确定的。
4.根据权利要求3所述的方法，其特征在于，所述第一随机森林模型、所述第二随机森林模型以及所述第三随机森林模型分别包括多个决策树。
5.根据权利要求4所述的方法，其特征在于，所述将所述第一目标路段和参考时间发送至应急事件防控调度平台之后，还包括：
按照所述参考时间，在地理信息系统和/或数字孪生智能操作中心对所述第一目标路段进行多图层的点位标记。
6.根据权利要求1-4任一项所述的方法，其特征在于，还包括：
在确定所述监控数据流对应的事故结果之后，基于与所述监控数据流对应的事故触发条件、事故触发行为和事故结果之间的对应关系对所述贝叶斯网络模型进行训练；
所述贝叶斯网络模型中的各节点条件包括天气类型和环境类型。
7.根据权利要求1-4任一项所述的方法，其特征在于，所述对所述目标路段和所述目标时间进行预警，包括：
在与应急安全通报预警平台关联的地理信息系统和/或数字孪生智能操作中心对所述目标路段和所述目标时间进行显示。
8.一种应急事件防控调度装置，其特征在于，包括：
获取模块，用于实时获取各交通道路的监控数据流；
预测模块，用于将所述监控数据流输入至训练过的贝叶斯网络模型，获得在目标路段、目标时间发生事故的第一概率，所述监控数据流包括所述目标路段在所述目标时间的监控数据；
预警模块，用于当所述第一概率达到预警阈值时，对所述目标路段和所述目标时间进行预警，以在所述目标时间为所述目标路段进行应急事件的防控调度；
其中，所述贝叶斯网络模型中的各节点以及所述各节点条件概率的初始值基于通过第一随机森林模型所获得的已经发生的历史事故中的事故触发条件、事故触发行为和事故结果之间的对应关系确定。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
11.一种计算机程序产品，包括计算机程序或指令，其特征在于，所述计算机程序或指令被处理器执行时实现如权利要求1-7中任一项所述的方法。
CN202210252965.4A 2022-03-15 2022-03-15 应急事件防控调度方法、装置、电子设备和存储介质 Pending CN114662583A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210252965.4A CN114662583A (zh) 2022-03-15 2022-03-15 应急事件防控调度方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210252965.4A CN114662583A (zh) 2022-03-15 2022-03-15 应急事件防控调度方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN114662583A true CN114662583A (zh) 2022-06-24

Family

ID=82029837

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210252965.4A Pending CN114662583A (zh) 2022-03-15 2022-03-15 应急事件防控调度方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN114662583A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116308213A (zh) * 2023-05-11 2023-06-23 河北履中科技有限公司 城市数字应急一体化平台
CN116665154A (zh) * 2023-07-27 2023-08-29 山东科技大学 针对夜间道路行人交通事件的感知及预警方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116308213A (zh) * 2023-05-11 2023-06-23 河北履中科技有限公司 城市数字应急一体化平台
CN116308213B (zh) * 2023-05-11 2023-08-15 河北履中科技有限公司 城市数字应急一体化平台
CN116665154A (zh) * 2023-07-27 2023-08-29 山东科技大学 针对夜间道路行人交通事件的感知及预警方法
CN116665154B (zh) * 2023-07-27 2023-10-20 山东科技大学 针对夜间道路行人交通事件的感知及预警方法

Similar Documents

Publication Publication Date Title
CN106846863B (zh) 基于增强现实和云端智能决策的事故黑点警告系统及方法
Torbaghan et al. Understanding the potential of emerging digital technologies for improving road safety
CN110060484B (zh) 一种基于区块链的公路客运违章实时预警系统及方法
CN113538898A (zh) 一种基于多源数据的高速公路拥堵管控系统
CN114662583A (zh) 应急事件防控调度方法、装置、电子设备和存储介质
US10319229B1 (en) Data mining for alerts regarding road conditions
CN113988476A (zh) 一种针对道路运输安全风险的动态评估预测方法
EP2725552A1 (en) System and method for selecting sensors in surveillance applications
CN117558129B (zh) 一种用于高速公路建设用的智能定位系统及方法
CN112734242A (zh) 一种车辆运行轨迹数据的可用度分析方法、装置、存储介质及终端
CN111815098A (zh) 基于极端天气的交通信息处理方法、装置、存储介质和电子设备
US20150161540A1 (en) Automatic Road Condition Detection
Khan et al. Characteristics of intelligent transportation systems and its relationship with data analytics
CN112434260A (zh) 一种公路的交通状态检测方法、装置、存储介质及终端
CN111695956A (zh) 用于汽车租赁平台的智能服务管理方法、系统及电子设备
CN114783188A (zh) 巡检方法和装置
CN114298493A (zh) 一种公路运行监测系统、方法、终端及存储介质
CN116011800A (zh) 一种交通事件预警的方法及设备
Hoong et al. Road traffic prediction using Bayesian networks
CN115031749B (zh) 夜间步行导航方法、装置、设备及存储介质
CN106781470B (zh) 城市道路的运行速度的处理方法及装置
CN116264034A (zh) 一种危险路段识别方法、装置、边缘侧平台和路侧设备
Kabashkin Dependability of v2i services in the communication network of the intelligent transport systems
CN111627226A (zh) 一种车辆逆行监测网络、方法、装置、介质及电子设备
Syed Understanding Evacuation Traffic Safety Issues during Hurricane Evacuation using Machine Learning and Connected Vehicle Data

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