CN115345347A - 交通风险预测方法、装置、计算机设备和存储介质 - Google Patents
交通风险预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115345347A CN115345347A CN202210807795.1A CN202210807795A CN115345347A CN 115345347 A CN115345347 A CN 115345347A CN 202210807795 A CN202210807795 A CN 202210807795A CN 115345347 A CN115345347 A CN 115345347A
- Authority
- CN
- China
- Prior art keywords
- damage
- economic loss
- prediction result
- prediction
- preset
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000006378 damage Effects 0.000 claims abstract description 534
- 238000013058 risk prediction model Methods 0.000 claims abstract description 60
- 238000004590 computer program Methods 0.000 claims abstract description 26
- 208000014674 injury Diseases 0.000 claims description 145
- 208000027418 Wounds and injury Diseases 0.000 claims description 141
- 238000012549 training Methods 0.000 claims description 73
- 238000007781 pre-processing Methods 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 13
- 210000000746 body region Anatomy 0.000 claims description 11
- 206010039203 Road traffic accident Diseases 0.000 description 58
- 238000012216 screening Methods 0.000 description 19
- 238000012545 processing Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 238000005070 sampling Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000012952 Resampling Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008733 trauma Effects 0.000 description 5
- 238000002679 ablation Methods 0.000 description 4
- 230000006735 deficit Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 210000001015 abdomen Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000028990 Skin injury Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 231100000518 lethal Toxicity 0.000 description 1
- 230000001665 lethal effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 208000037974 severe injury Diseases 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000032575 susceptibility to 2 autoimmune disease Diseases 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Computer Security & Cryptography (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种交通风险预测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:当满足预设的碰撞发生条件时,获取目标车辆的行驶信息;根据所述行驶信息和预设的安全策略,确定所述安全策略对应的车辆碰撞预测信息;将所述车辆碰撞预测信息输入至预先训练的交通风险预测模型,得到乘员损伤预测结果和等效经济损失预测结果;根据所述乘员损伤预测结果和所述等效经济损失预测结果,计算交通风险预测结果。采用本方法能够提高交通风险预测的准确性。
Description
技术领域
本申请涉及智能车辆安全防护技术领域,特别是涉及一种交通风险预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着汽车自动驾驶技术的发展,针对车辆安全的技术越来越成熟。乘员安全决策方法是在面对不可避免的碰撞事故时,通过为自动驾驶车辆选择最优安全决策,改变驾驶轨迹,减轻乘员损伤的方法。如今的安全决策方法为当目标车辆所处行驶状态为即将发生碰撞时,遍历安全策略数据库中的每一安全策略,根据每一安全策略确定目标车辆在行车环境中的潜在碰撞形式,再根据潜在碰撞形式,预测目标车辆的交通风险,并将对应交通风险最低的安全策略确定为目标安全策略。
现有的交通风险预测方法通过潜在的碰撞形式,预测目标车辆上的乘员损伤风险,并将得到的乘员损伤预测结果作为交通风险预测结果。
然而,交通事故不仅会造成乘员损伤风险,还会造成包括车辆损坏在内的其他风险。并且,绝大多数的真实交通事故对于车内乘员都是无损伤或者轻微损伤的,即绝大多数的真实交通事故造成的乘员损伤风险均较小。因此,现有的交通风险预测方法并不切合实际,准确性低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高准确性的交通风险预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种交通风险预测方法。所述方法包括:
当满足预设的碰撞发生条件时,获取目标车辆的行驶信息;
根据所述行驶信息和预设的安全策略,确定所述安全策略对应的车辆碰撞预测信息;
将所述车辆碰撞预测信息输入至预先训练的交通风险预测模型,得到乘员损伤预测结果和等效经济损失预测结果;
根据所述乘员损伤预测结果和所述等效经济损失预测结果,计算交通风险预测结果。
在其中一个实施例中,所述根据所述乘员损伤预测结果和所述等效经济损失预测结果,计算交通风险预测结果包括:
根据所述乘员损伤预测结果和预设的权值系数分配策略,确定所述乘员损伤预测结果对应的损伤权重系数和所述等效经济损失预测结果对应的经济权重系数;
根据所述损伤权重系数和所述经济权重系数,对所述乘员损伤预测结果和所述等效经济损失预测结果加权求和,得到交通风险预测结果。
在其中一个实施例中,所述根据所述乘员损伤预测结果和预设的权值系数分配策略,确定所述乘员损伤预测结果对应的损伤权重系数和所述等效经济损失预测结果对应的经济权重系数包括:
在所述乘员损伤预测结果满足预设的轻度事故条件的情况下,确定所述乘员损伤预测结果对应的损伤权重系数为第一预设系数、所述等效经济损失预测结果对应的经济权重系数为第二预设系数;所述第二预设系数与所述第一预设系数的差大于第一预设阈值;
在所述乘员损伤预测结果不满足预设的轻度事故条件、且不满足预设的严重事故条件的情况下,确定所述等效经济损失预测结果对应的经济权重系数为第三预设系数;根据所述乘员损伤预测结果确定风险系数,并根据所述风险系数,计算所述乘员损伤预测结果对应的损伤权重系数;
在所述乘员损伤预测结果满足所述预设的严重事故条件的情况下,确定所述乘员损伤预测结果对应的损伤权重系数为第四预设系数、所述等效经济损失预测结果对应的经济权重系数为第五预设系数;所述第四预设系数与所述第五预设系数的差大于第二预设阈值。
在其中一个实施例中,所述将所述车辆碰撞预测信息输入至预先训练的交通风险预测模型,得到乘员损伤预测结果和等效经济损失预测结果包括:
将所述车辆碰撞预测信息输入至预先训练的交通风险预测模型;
通过所述交通风险预测模型,对所述车辆碰撞预测信息预处理,得到数据预处理结果;
对所述数据预处理结果进行通用编码,得到通用编码信息;
根据所述通用编码信息,对所述目标车辆的乘员损伤进行预测,得到乘员损伤预测结果;
根据所述通用编码信息,对所述目标车辆的等效经济损失进行预测,得到等效经济损失预测结果。
在其中一个实施例中,所述交通风险预测模型的训练过程包括:
获取乘员损伤数据集;所述乘员损伤数据集包括车辆碰撞样本和所述车辆碰撞样本对应的乘员损伤样本结果;
针对每一个车辆碰撞样本,根据所述车辆碰撞样本对应的乘员损伤样本结果,计算等效经济损失下限和等效经济损失上限;
根据所述等效经济损失下限和所述等效经济损失上限,计算所述车辆碰撞样本对应的等效经济损失样本结果;
根据各所述车辆碰撞样本、各所述车辆碰撞样本对应的乘员损伤样本结果和各所述车辆碰撞样本对应的等效经济损失样本结果,构成交通风险训练数据集;
根据所述交通风险训练数据集,训练目标神经网络,得到交通风险预测模型。
在其中一个实施例中,所述根据所述车辆碰撞样本对应的乘员损伤样本结果,计算等效经济损失下限和等效经济损失上限包括:
根据预设的乘员损伤样本结果与最大损伤等级之间的对应关系、以及所述车辆碰撞样本对应的乘员损伤样本结果,确定所述车辆碰撞样本对应的最大损伤等级;
根据身体部位、最大损伤等级与等效经济损失之间的对应关系、以及所述最大损伤等级,确定所述车辆碰撞样本对应的按身体区域分类的区域等效经济损失;
基于身体部位、损伤等级与事故数量之间的对应关系、所述最大损伤等级、以及预设的区域归一化权重计算策略,计算所述车辆碰撞样本对应的身体区域损伤分布的区域归一化权重;
根据所述最大损伤等级与损伤等级之间的对应关系、以及所述最大损伤等级,确定所述车辆碰撞样本对应的损伤数目修正系数;
根据所述区域等效经济损失和所述区域归一化权重,计算等效经济损失下限;根据所述区域等效经济损失、所述区域归一化权重和所述损伤数目修正系数,计算等效经济损失上限。
第二方面,本申请还提供了一种交通风险预测装置。所述装置包括:
第一获取模块,用于当满足预设的碰撞发生条件时,获取目标车辆的行驶信息;
第一确定模块,用于根据所述行驶信息和预设的安全策略,确定所述安全策略对应的车辆碰撞预测信息;
预测模块,用于将所述车辆碰撞预测信息输入至预先训练的交通风险预测模型,得到乘员损伤预测结果和等效经济损失预测结果;
第一计算模块,用于根据所述乘员损伤预测结果和所述等效经济损失预测结果,计算交通风险预测结果。
在其中一个实施例中,所述第一计算模块,具体用于:
根据所述乘员损伤预测结果和预设的权值系数分配策略,确定所述乘员损伤预测结果对应的损伤权重系数和所述等效经济损失预测结果对应的经济权重系数;
根据所述损伤权重系数和所述经济权重系数,对所述乘员损伤预测结果和所述等效经济损失预测结果加权求和,得到交通风险预测结果。
在其中一个实施例中,所述第一计算模块,具体用于:
在所述乘员损伤预测结果满足预设的轻度事故条件的情况下,确定所述乘员损伤预测结果对应的损伤权重系数为第一预设系数、所述等效经济损失预测结果对应的经济权重系数为第二预设系数;所述第二预设系数与所述第一预设系数的差大于第一预设阈值;
在所述乘员损伤预测结果不满足预设的轻度事故条件、且不满足预设的严重事故条件的情况下,确定所述等效经济损失预测结果对应的经济权重系数为第三预设系数;根据所述乘员损伤预测结果确定风险系数,并根据所述风险系数,计算所述乘员损伤预测结果对应的损伤权重系数;
在所述乘员损伤预测结果满足所述预设的严重事故条件的情况下,确定所述乘员损伤预测结果对应的损伤权重系数为第四预设系数、所述等效经济损失预测结果对应的经济权重系数为第五预设系数;所述第四预设系数与所述第五预设系数的差大于第二预设阈值。
在其中一个实施例中,所述预测模块,具体用于:
将所述车辆碰撞预测信息输入至预先训练的交通风险预测模型;
通过所述交通风险预测模型,对所述车辆碰撞预测信息预处理,得到数据预处理结果;
对所述数据预处理结果进行通用编码,得到通用编码信息;
根据所述通用编码信息,对所述目标车辆的乘员损伤进行预测,得到乘员损伤预测结果;
根据所述通用编码信息,对所述目标车辆的等效经济损失进行预测,得到等效经济损失预测结果。
在其中一个实施例中,所述装置还包括:
第二获取模块,用于获取乘员损伤数据集;所述乘员损伤数据集包括车辆碰撞样本和所述车辆碰撞样本对应的乘员损伤样本结果;
第二计算模块,用于针对每一个车辆碰撞样本,根据所述车辆碰撞样本对应的乘员损伤样本结果,计算等效经济损失下限和等效经济损失上限;
第三计算模块,用于根据所述等效经济损失下限和所述等效经济损失上限,计算所述车辆碰撞样本对应的等效经济损失样本结果;
第二确定模块,用于根据各所述车辆碰撞样本、各所述车辆碰撞样本对应的乘员损伤样本结果和各所述车辆碰撞样本对应的等效经济损失样本结果,构成交通风险训练数据集;
训练模块,用于根据所述交通风险训练数据集,训练目标神经网络,得到交通风险预测模型。
在其中一个实施例中,所述第二计算模块,具体用于:
根据预设的乘员损伤样本结果与最大损伤等级之间的对应关系、以及所述车辆碰撞样本对应的乘员损伤样本结果,确定所述车辆碰撞样本对应的最大损伤等级;
根据身体部位、最大损伤等级与等效经济损失之间的对应关系、以及所述最大损伤等级,确定所述车辆碰撞样本对应的按身体区域分类的区域等效经济损失;
基于身体部位、损伤等级与事故数量之间的对应关系、所述最大损伤等级、以及预设的区域归一化权重计算策略,计算所述车辆碰撞样本对应的身体区域损伤分布的区域归一化权重;
根据所述最大损伤等级与损伤等级之间的对应关系、以及所述最大损伤等级,确定所述车辆碰撞样本对应的损伤数目修正系数;
根据所述区域等效经济损失和所述区域归一化权重,计算等效经济损失下限;根据所述区域等效经济损失、所述区域归一化权重和所述损伤数目修正系数,计算等效经济损失上限。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的步骤。
第四方面,本申请还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,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面所述的步骤。
上述交通风险预测方法、装置、计算机设备、存储介质和计算机程序产品,当满足预设的碰撞发生条件时,获取目标车辆的行驶信息;根据所述行驶信息和预设的安全策略,确定所述安全策略对应的车辆碰撞预测信息;将所述车辆碰撞预测信息输入至预先训练的交通风险预测模型,得到乘员损伤预测结果和等效经济损失预测结果;根据所述乘员损伤预测结果和所述等效经济损失预测结果,计算交通风险预测结果。这样,通过预先训练的交通风险预测模型,预测即将发生碰撞的目标车辆,在预设的安全策略下的乘员损伤和等效经济损失,再根据预测得到的乘员损伤和等效经济损失,计算目标车辆的交通风险预测结果,综合考虑交通事故会造成的乘员损伤风险和等效经济损失风险,能够较好评价乘员损伤风险较小的绝大多数的真实交通事故,切合交通事故的实际情况,能够提高交通风险预测的准确性。
附图说明
图1为一个实施例中交通风险预测方法的流程示意图;
图2为一个实施例中计算交通风险预测结果步骤的流程示意图;
图3为一个实施例中确定损伤权重系数和经济权重系数步骤的流程示意图;
图4为一个实施例中得到乘员损伤预测结果和等效经济损失预测结果步骤的流程示意图;
图5为一个实施例中交通风险预测模型的结构示意图;
图6为一个实施例中交通风险预测模型的训练过程的流程示意图;
图7为碰撞位置示意图;
图8为一个实施例中计算等效经济损失下限和等效经济损失上限步骤的流程示意图;
图9为一个实施例中交通风险预测装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种交通风险预测方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中,该方法包括以下步骤:
步骤101,当满足预设的碰撞发生条件时,获取目标车辆的行驶信息。
在本申请实施例中,终端可以判断是否满足预设的碰撞发生条件。其中,预设的碰撞发生条件可以为目标车辆所处行驶状态为即将发生碰撞的行驶状态。目标车辆的行驶状态包括:正常行驶状态和险态交通工况行驶状态,险态交通工况行驶状态即为即将发生碰撞的行驶状态。目标车辆中集成有多种传感器,用于采集行驶过程中的行驶数据以及行车环境信息。终端可以根据各传感器采集的行驶数据预估自身车辆轨迹,并结合行车环境信息,确定目标车辆在行车环境中的行驶状态。
当目标车辆满足预设的碰撞发生条件时,终端可以获取目标车辆的行驶信息。其中,行驶信息可以为影响车辆行驶状态的信息。行驶信息可以包括:路况信息、危险源信息和己方信息。
步骤102,根据行驶信息和预设的安全策略,确定该安全策略对应的车辆碰撞预测信息。
在本申请实施例中,终端可以根据目标车辆的行驶信息和预设的安全策略,对该安全策略对应的目标车辆碰撞时的情况进行预测,得到该安全策略对应的车辆碰撞预测信息。其中,安全策略中包含方向盘转向操作和加减速操作,即可以表征目标车辆在险态交通工况下的具体处理操作。车辆碰撞预测信息可以包括:碰撞预测信息、车辆预测信息和乘员身份信息。碰撞预测信息可以包括:碰撞速度、碰撞角度和碰撞位置。车辆预测信息可以包括:碰撞车辆质量比、安全带使用情况和安全气囊使用情况。乘员身份信息可以包括:乘员年龄和乘员性别。
具体的,终端可以将行驶信息中与乘员身份有关的信息,作为乘员身份信息。在一个示例中,终端可以将行驶信息中的自车驾驶员年龄和自车驾驶员性别,作为乘员身份信息。同时,终端可以根据行驶信息和安全策略,计算该安全策略对应的碰撞预测信息和碰撞车辆质量比。在一个示例中,安全策略为减速,终端可以根据行驶信息和安全策略,计算该安全策略对应的车辆碰撞速度、碰撞角度、碰撞位置和碰撞车辆质量比。同时,终端可以将行驶信息中的安全带使用情况,作为车辆预测信息中的安全带使用情况。并且,终端可以根据该安全策略对应的碰撞预测信息和安全约束规则,确定该安全策略对应的安全气囊使用情况。其中,安全约束规则包括安全气囊触发规则。安全气囊触发规则可以为当车辆碰撞速度或碰撞角度满足安全气囊触发条件时,安全气囊触发。
步骤103,将车辆碰撞预测信息输入至预先训练的交通风险预测模型,得到乘员损伤预测结果和等效经济损失预测结果。
在本申请实施例中,终端可以预先训练目标神经网络,得到交通风险预测模型。然后,终端将车辆碰撞预测信息输入至预先训练的交通风险预测模型,得到乘员损伤预测结果和等效经济损失预测结果。其中,交通风险预测模型用于预测车辆碰撞所造成的乘员损伤和等效经济损失。交通风险预测模型为深度学习模型。乘员损伤预测结果用于表示车辆碰撞所造成的乘员损伤。乘员损伤预测结果可以包括但不限于损伤严重程度评分(injuryseverity score,ISS)。ISS是一个从0-75的整数,数值越大,乘员损伤严重性越高。等效经济损失预测结果用于表示车辆碰撞所造成的等效经济损失。等效经济损失为车辆碰撞所造成的经济损失情况的等效表示。等效经济损失包括但不限于医疗相关的经济损失。等效经济损失可以为医疗相关的经济损失、丧失未来工作能力所造成的经济损失(如终生工资的损失、丧失家庭工作能力的损失等)和生活质量相关的等效经济损失(如受害者生活质量下降造成的等效经济损失)中的一种或几种。
步骤104,根据乘员损伤预测结果和等效经济损失预测结果,计算交通风险预测结果。
在本申请实施例中,终端可以对乘员损伤预测结果和等效经济损失预测结果进行加权求和,得到交通风险预测结果。在一个示例中,终端将乘员损伤预测结果和等效经济损失预测结果相加,得到交通风险预测结果。
上述交通风险预测方法中,当满足预设的碰撞发生条件时,获取目标车辆的行驶信息;再根据行驶信息和预设的安全策略,确定该安全策略对应的车辆碰撞预测信息;再将车辆碰撞预测信息输入至预先训练的交通风险预测模型,得到乘员损伤预测结果和等效经济损失预测结果;再根据乘员损伤预测结果和等效经济损失预测结果,计算交通风险预测结果。这样,通过预先训练的交通风险预测模型,预测即将发生碰撞的目标车辆,在预设的安全策略下的乘员损伤和等效经济损失,再根据预测得到的乘员损伤和等效经济损失,计算目标车辆的交通风险预测结果,综合考虑交通事故会造成的乘员损伤风险和等效经济损失风险,能够较好评价乘员损伤风险较小的绝大多数的真实交通事故,切合交通事故的实际情况,能够提高交通风险预测的准确性。
在一个实施例中,如图2所示,根据乘员损伤预测结果和等效经济损失预测结果,计算交通风险预测结果的具体过程包括以下步骤:
步骤201,根据乘员损伤预测结果和预设的权值系数分配策略,确定乘员损伤预测结果对应的损伤权重系数和等效经济损失预测结果对应的经济权重系数。
在本申请实施例中,终端可以根据乘员损伤预测结果,判断目标车辆在该安全策略下的事故严重程度。然后,终端可以根据该事故严重程度对应的权值系数分配策略,确定乘员损伤预测结果对应的损伤权重系数和等效经济损失预测结果对应的经济权重系数。
步骤202,根据损伤权重系数和经济权重系数,对乘员损伤预测结果和等效经济损失预测结果加权求和,得到交通风险预测结果。
在本申请实施例中,终端可以将损伤权重系数和乘员损伤预测结果相乘,得到第一风险结果。同时,终端可以将经济权重系数和等效经济损失预测结果相乘,得到第二风险结果。然后,终端可以将第一风险结果和第二风险结果相加,得到交通风险预测结果。
在一个实施例中,交通风险预测结果为综合风险指标(Comprehensive riskcriteria,CRC)。终端根据损伤权重系数和经济权重系数,对乘员损伤预测结果和等效经济损失预测结果加权求和,得到交通风险预测结果,可以表示为:
CRC=Weight1×Injuryrisk+Weight2×Economicloss
其中,Injuryrisk为乘员损伤预测结果,Economicloss为等效经济损失预测结果,Weight1为损伤权重系数,Weight2为经济权重系数。
上述交通风险预测方法中,根据乘员损伤预测结果和预设的权值系数分配策略,确定乘员损伤预测结果对应的损伤权重系数和等效经济损失预测结果对应的经济权重系数;根据损伤权重系数和经济权重系数,对乘员损伤预测结果和等效经济损失预测结果加权求和,得到交通风险预测结果。这样,根据乘员损伤预测结果判断事故严重程度,根据事故严重程度确定乘员损伤和等效经济损失各自的权重,并对乘员损伤预测结果和等效经济损失预测结果进行加权求和,计算目标车辆的交通风险预测结果,能够依据实际交通事故的严重程度,确定实际交通事故中乘员损伤风险和等效经济损失风险各自的侧重程度,合理计算交通风险预测结果,更加切合交通事故实际情况,进一步提高交通风险预测的准确性。
在一个实施例中,如图3所示,根据乘员损伤预测结果和预设的权值系数分配策略,确定乘员损伤预测结果对应的损伤权重系数和等效经济损失预测结果对应的经济权重系数的具体过程包括以下步骤:
步骤301,在乘员损伤预测结果满足预设的轻度事故条件的情况下,确定乘员损伤预测结果对应的损伤权重系数为第一预设系数、等效经济损失预测结果对应的经济权重系数为第二预设系数。
其中,第二预设系数与第一预设系数的差大于第一预设阈值。
在本申请实施例中,终端可以预先设定轻度事故条件。然后,终端可以判断乘员损伤预测结果是否满足预设的轻度事故条件。在乘员损伤预测结果满足预设的轻度事故条件的情况下,终端可以确定乘员损伤预测结果对应的损伤权重系数为第一预设系数、等效经济损失预测结果对应的经济权重系数为第二预设系数。其中,轻度事故条件用于衡量交通事故是否为轻度事故。轻度事故可以为车辆乘员不存在明显损伤。第一预设阈值为位于[0,1]之间的正数,即第二预设系数大于第一预设系数。例如,第一预设系数为0,第二预设系数为1。
步骤302,在乘员损伤预测结果不满足预设的轻度事故条件、且不满足预设的严重事故条件的情况下,确定等效经济损失预测结果对应的经济权重系数为第三预设系数。根据乘员损伤预测结果确定风险系数,并根据风险系数,计算乘员损伤预测结果对应的损伤权重系数。
在本申请实施例中,终端可以预先设定严重事故条件。然后,终端可以判断乘员损伤预测结果是否满足预设的轻度事故条件。同时,终端可以判断乘员损伤预测结果是否满足预设的严重事故条件。在乘员损伤预测结果不满足预设的轻度事故条件、且不满足预设的严重事故条件的情况下,终端确定等效经济损失预测结果对应的经济权重系数为第三预设系数。同时,终端根据乘员损伤预测结果确定风险系数。然后,终端根据风险系数,计算乘员损伤预测结果对应的损伤权重系数。其中,严重事故条件用于衡量交通事故是否为严重事故。严重事故可以为车辆乘员存在严重损伤。
步骤303,在乘员损伤预测结果满足预设的严重事故条件的情况下,确定乘员损伤预测结果对应的损伤权重系数为第四预设系数、等效经济损失预测结果对应的经济权重系数为第五预设系数。
其中,第四预设系数与第五预设系数的差大于第二预设阈值。
在本申请实施例中,终端可以判断乘员损伤预测结果是否满足预设的严重事故条件。在乘员损伤预测结果满足预设的严重事故条件的情况下,终端可以确定乘员损伤预测结果对应的损伤权重系数为第四预设系数、等效经济损失预测结果对应的经济权重系数为第五预设系数。其中,第二预设阈值为位于[0,1]之间的正数,即第四预设系数大于第五预设系数。第二预设阈值可以与第一预设阈值相等,第二预设阈值也可以与第一预设阈值不相等。例如,第四预设系数为1,第二预设系数为0。
在一个示例中,乘员损伤预测结果包括损伤严重程度评分(injury severityscore,ISS)。终端可以将乘员损伤预测结果划分为预设数目个乘员损伤等级,并建立乘员损伤等级与损伤严重程度评分之间的对应关系。例如,终端可以将乘员损伤预测结果划分为4个乘员损伤等级。乘员损伤等级按照损伤严重程度由轻到重依次为:第一乘员损伤等级、第二乘员损伤等级、第三乘员损伤等级和第四乘员损伤等级。乘员损伤等级与损伤严重程度评分之间的对应关系为:第一乘员损伤等级:损伤严重程度评分0、第二乘员损伤等级:损伤严重程度评分1-3、第三乘员损伤等级:损伤严重程度评分4-14、第四乘员损伤等级:损伤严重程度评分15-75。轻度事故条件和严重事故条件均可以用乘员损伤等级表示。例如,轻度事故条件为乘员损伤等级为第一乘员损伤等级,严重事故条件为乘员损伤等级为第三乘员损伤等级或者第四乘员损伤等级。
在一个实施例中,乘员损伤预测结果包括损伤严重程度评分(injury severityscore,ISS)。终端根据预先建立的乘员损伤等级与损伤严重程度评分之间的对应关系,确定乘员损伤预测结果对应的乘员损伤等级。当乘员损伤等级为第一乘员损伤等级时,乘员损伤预测结果满足预设的轻度事故条件。在乘员损伤预测结果为满足预设的轻度事故条件的情况下,终端确定乘员损伤预测结果对应的损伤权重系数为0、等效经济损失预测结果对应的经济权重系数为1。当乘员损伤等级为第三乘员损伤等级或者第四乘员损伤等级时,乘员损伤预测结果满足预设的严重事故条件。在乘员损伤预测结果满足预设的严重事故条件的情况下,终端确定乘员损伤预测结果对应的损伤权重系数为1、等效经济损失预测结果对应的经济权重系数为0。在乘员损伤预测结果不满足预设的轻度事故条件、且不满足预设的严重事故条件的情况下,终端确定等效经济损失预测结果对应的经济权重系数为1。同时,终端根据乘员损伤预测结果确定风险系数,可以表示为:
然后,终端根据风险系数,计算乘员损伤预测结果对应的损伤权重系数,可以表示为:
其中,risk为风险系数,Weight1为损伤权重系数,P(Injurylevel=II)为乘员损伤预测结果对应的乘员损伤等级为第二乘员损伤等级的概率,P(Injurylevel<II)为乘员损伤预测结果对应的乘员损伤等级小于第二乘员损伤等级的概率(即为第一乘员损伤等级)的概率,P(Injurylevel>II)为乘员损伤预测结果对应的乘员损伤等级大于第二乘员损伤等级(即为第三乘员损伤等级或者第四乘员损伤等级)的概率。
上述交通风险预测方法中,在乘员损伤预测结果满足预设的轻度事故条件的情况下,确定乘员损伤预测结果对应的损伤权重系数为第一预设系数、等效经济损失预测结果对应的经济权重系数为第二预设系数;在乘员损伤预测结果不满足预设的轻度事故条件、且不满足预设的严重事故条件的情况下,确定等效经济损失预测结果对应的经济权重系数为第三预设系数。根据乘员损伤预测结果确定风险系数,并根据风险系数,计算乘员损伤预测结果对应的损伤权重系数;在乘员损伤预测结果满足预设的严重事故条件的情况下,确定乘员损伤预测结果对应的损伤权重系数为第四预设系数、等效经济损失预测结果对应的经济权重系数为第五预设系数。这样,在预测为轻度事故时,主要考虑事故造成的等效经济损失;在预测为严重事故时,主要考虑事故造成的乘员损伤;在预测为非轻度事故,也非严重事故时,合理计算事故造成的等效经济损失和乘员损伤各自的权重,能够进一步切合交通事故的实际情况,进一步提高交通风险预测的准确性。
在一个实施例中,如图4所示,将车辆碰撞预测信息输入至预先训练的交通风险预测模型,得到乘员损伤预测结果和等效经济损失预测结果的具体过程包括以下步骤:
步骤401,将车辆碰撞预测信息输入至预先训练的交通风险预测模型。
在本申请实施例中,终端可以将车辆碰撞预测信息输入至预先训练的交通风险预测模型。其中,交通风险预测模型为多任务学习模型,同时预测车辆碰撞所造成的乘员损伤和等效经济损失。交通风险预测模型包括:数据预处理模块、通用处理模块、乘员损伤预测模块和经济损失预测模块。
步骤402,通过交通风险预测模型,对车辆碰撞预测信息预处理,得到数据预处理结果。
在本申请实施例中,终端可以通过交通风险预测模型,对车辆碰撞预测信息预处理,得到数据预处理结果。具体的,终端可以通过数据预处理模块,对车辆碰撞预测信息进行预处理,将其编码并映射到高位空间,得到数据预处理结果。
步骤403,对数据预处理结果进行通用编码,得到通用编码信息。
在本申请实施例中,终端可以通过通用处理模块,对数据预处理结果进行通用编码,得到通用编码信息。
步骤404,根据通用编码信息,对目标车辆的乘员损伤进行预测,得到乘员损伤预测结果。
在本申请实施例中,终端可以将通用编码信息输入至乘员损伤预测模块,对目标车辆的乘员损伤进行预测,得到乘员损伤预测结果。
步骤405,根据通用编码信息,对目标车辆的等效经济损失进行预测,得到等效经济损失预测结果。
在本申请实施例中,终端可以将通用编码信息输入至经济损失预测模块,对目标车辆的等效经济损失进行预测,得到等效经济损失预测结果。其中,乘员损伤预测模块和经济损失预测模块均为顶层处理模块,均由基于双向堆叠长短期记忆(Long short-termmemory,LSTM)单元的循环神经网络(Recurrent Neural Network,RNN)构成。乘员损伤预测模块和经济损失预测模块是具有任务特异性的,即对两种的预测任务有着不同的神经网络,彼此间信息是不共享的。具体而言,二者的网络结构是一致的,但是网络中的具体连接权重是不同的,有各自的优化策略。
在一个实施例中,交通风险预测模型的结构如图5所示。数据预处理模块为嵌入层。通用处理模块可以由四组结构相似的前馈神经网络构成,每一组依次包括一个全连接层、一个批归一化层、一个激活层(ReLU)和一个丢弃层。终端将车辆碰撞预测信息输入至预先训练的交通风险预测模型,得到乘员损伤预测结果和等效经济损失预测结果。
在一个实施例中,开展消融实验(Ablation experiment),基于“控制变量法”的思路,通过去除特定模块,即通用处理模块、乘员损伤预测模块和经济损失预测模块,来观察该模块对于整体预测效果的影响,消融实验结果如表1所示。其中,F1值(F1 Score)是统计学中用来衡量模型精确度的一种指标。它同时兼顾了分类模型的精确率和召回率,可以看作是模型精确率和召回率的一种调和平均,它的最大值是1,最小值是0。混淆矩阵的横轴为预测的四种乘员损伤等级,混淆矩阵的纵轴为真实的四种乘员损伤等级。
表1消融实验结果
由此可见,对于乘员损伤预测任务,预测模型在无经济损失预测模块时的精度最高,准确率达到82.1%。这说明,基于多任务学习引入额外的经济损失预测任务,会影响对于乘员损伤的预测效果。但是,经过比较发现,预测模型在全模块时也达到了81.6%的准确率,与82.1%几乎没有差别,说明额外的经济损失预测任务所带来的不良影响很小。
对于经济损失预测,预测模型在全模块时的精度最高,均方差值仅有425.5,显著低于预测模型在无乘员损伤预测模块时的误差值。这说明,基于多任务学习引入额外的乘员损伤预测任务,会有助于经济损失的预测。据分析,这可能是由于,对于不同的碰撞事故,等效经济损失的分布过于分散,难以总结一般规律,而借助乘员损伤信息,可以帮助深度学习算法更好地挖掘其内在规律。
预测模型在无通用处理模块时,对于两种预测任务的预测效果均较差。这是由于在缺乏通用处理模块时,神经网络模型难以学习通用的规律,无法很好地处理复杂的车辆碰撞预测信息,且两种预测任务的优化方向可能相反,导致优化结果难以收敛。
综上所述,基于多任务学习,在同一个深度学习模型中,同时训练两种相关的预测任务,有助于其预测效果的综合提升,即采用多任务学习的方式,对乘员损伤和等效经济损失同时进行预测,能够提高交通风险预测的综合预测准确性。
上述交通风险预测方法中,将车辆碰撞预测信息输入至预先训练的交通风险预测模型;通过交通风险预测模型,对车辆碰撞预测信息预处理,得到数据预处理结果;再对数据预处理结果进行通用编码,得到通用编码信息;再根据通用编码信息,对目标车辆的乘员损伤进行预测,得到乘员损伤预测结果;再根据通用编码信息,对目标车辆的等效经济损失进行预测,得到等效经济损失预测结果。这样,采用多任务学习的方式,对乘员损伤和等效经济损失同时进行预测,只需建立一个模型,开发成本较低,开发时间短,减少计算量,有利于该技术在实车层面的实时应用,交通风险预测的综合预测准确性高。不仅如此,这样不同任务同时学习时,数据中的随机噪声会实现互相增加,从而提高预测模型的泛化能力,降低了模型过拟合的风险。而且,不同任务的局部最小值点不同,可以使最终的预测模型脱离局部最优的限制。
在一个实施例中,如图6所示,交通风险预测模型的训练过程的具体过程包括以下步骤:
步骤601,获取乘员损伤数据集。
其中,乘员损伤数据集包括车辆碰撞样本和车辆碰撞样本对应的乘员损伤样本结果。
在本申请实施例中,终端可以预先确定道路事故数据库。其中,道路事故数据库包括多条交通事故数据。每条交通事故数据包括多种事故特征。事故特征包括但不限于车辆碰撞信息和乘员损伤信息。车辆碰撞信息包括:碰撞信息、车辆信息和乘员身份信息。碰撞信息包括:碰撞速度、碰撞角度和碰撞位置。车辆信息包括:碰撞车辆质量比、安全带使用情况和安全气囊使用情况。乘员身份信息包括:乘员年龄和乘员性别。乘员损伤信息可以包括损伤严重程度评分(injury severity score,ISS)。
然后,终端可以设置道路事故筛选条件。接着,终端可以根据道路事故筛选条件,在道路事故数据库中,提取目标交通事故数据。然后,终端可以将目标交通事故数据,作为车辆碰撞样本。然后,终端将根据目标交通事故数据,标注后的各车辆碰撞样本,作为乘员损伤数据集。其中,道路事故筛选条件可以包括一个或者多个道路事故筛选子条件。道路事故筛选子条件可以为碰撞类型为“车车碰撞”、碰撞次数为一次、车辆未侧翻、乘员未弹出乘员舱或者车辆类型为“中型轿车”。
在一个实施例中,终端可以预先将开源的美国国家事故采样数据库(NationalAutomotive Sampling System/Crashworthiness Data System,NASS/CDS)作为道路事故数据库。NASS/CDS事故数据库提供了美国国家公路交通安全管理局(National HighwayTraffic Safety Administration,NHTSA)在全美24个地点收集和整理的交通事故数据,每年大概新增5000起交通事故记录。同时,NASS/CDS事故数据库的交通事故记录信息十分全面,每条事故数据包含约400种事故特征。事故信息由专业的事故调查人员从事故现场获取相关数据,并进行事故重建而得到。同时,终端将真实事故中的每一辆车(及其驾驶员)作为一条交通事故数据。然后,终端可以设置道路事故筛选条件。其中,道路事故筛选条件包括第一道路事故筛选子条件、第二道路事故筛选子条件、第三道路事故筛选子条件和第四道路事故筛选子条件。第一道路事故筛选子条件为碰撞类型为“车车碰撞”。第二道路事故筛选子条件为碰撞次数为一次。第三道路事故筛选子条件为车辆未侧翻且乘员未弹出乘员舱。第四道路事故筛选子条件为车辆类型为“中型轿车”。这样能够消除不同车型对于交通风险预测准确性的影响。接着,终端可以根据第一道路事故筛选子条件,在道路事故数据库中,提取得到第一交通事故数据。接着,终端可以根据第二道路事故筛选子条件,在第一交通事故数据中,提取得到第二交通事故数据。接着,终端可以根据第三道路事故筛选子条件,在第二交通事故数据中,提取得到第三交通事故数据。接着,终端可以根据第四道路事故筛选子条件,在第三交通事故数据中,提取得到目标交通事故数据。然后,终端可以将目标交通事故数据,作为车辆碰撞样本。考虑到碰撞位置与乘员损伤之间的紧密关系,基于NASS/CDS数据提供的事故场景图、车辆变形结果和受损车辆照片,对每个车辆碰撞样本的碰撞位置进行了人工标注,如图7所示(16个碰撞区域:1-16;4个碰撞点:A-D)。然后,终端将根据目标交通事故数据,标注后的各车辆碰撞样本,作为乘员损伤数据集。
步骤602,针对每一个车辆碰撞样本,根据该车辆碰撞样本对应的乘员损伤样本结果,计算等效经济损失下限和等效经济损失上限。
在本申请实施例中,针对每一个车辆碰撞样本,终端可以根据该车辆碰撞样本对应的乘员损伤样本结果,确定车辆碰撞样本对应的按身体区域分类的区域等效经济损失。同时,终端可以根据该车辆碰撞样本对应的乘员损伤样本结果,计算车辆碰撞样本对应的身体区域损伤分布的区域归一化权重。同时,终端可以根据该车辆碰撞样本对应的乘员损伤样本结果,确定车辆碰撞样本对应的损伤数目修正系数。然后,终端可以根据区域等效经济损失和区域归一化权重,计算等效经济损失下限。同时,终端根据区域等效经济损失、区域归一化权重和损伤数目修正系数,计算等效经济损失上限。
步骤603,根据等效经济损失下限和等效经济损失上限,计算该车辆碰撞样本对应的等效经济损失样本结果。
在本申请实施例中,终端可以对等效经济损失下限和等效经济损失上限进行加权求和,计算该车辆碰撞样本对应的等效经济损失样本结果。其中,等效经济损失下限对应的权重和等效经济损失上限对应的权重可以相等,也可以不相等。等效经济损失下限对应的权重和等效经济损失上限对应的权重可以为[0,1]之间的数值。
在一个示例中,终端计算等效经济损失下限和等效经济损失上限的平均值。然后,终端将该平均值作为该车辆碰撞样本对应的等效经济损失样本结果。
步骤604,根据各车辆碰撞样本、各车辆碰撞样本对应的乘员损伤样本结果和各车辆碰撞样本对应的等效经济损失样本结果,构成交通风险训练数据集。
在本申请实施例中,终端可以将各车辆碰撞样本、各车辆碰撞样本对应的乘员损伤样本结果和各车辆碰撞样本对应的等效经济损失样本结果,构成交通风险训练数据集。
在一个示例中,终端可以将各车辆碰撞样本、各车辆碰撞样本对应的乘员损伤样本结果和各车辆碰撞样本对应的等效经济损失样本结果,构成交通风险数据集。然后,终端按照预设的比例,将交通风险数据集随机分为三个集合:交通风险训练数据集(70%)、交通风险验证数据集(15%)和交通风险测试数据集(15%)。其中,交通风险训练数据集用于训练多个目标神经网络,得到多个备选预测模型。交通风险验证数据集用于根据最优的模型超参数,在多个备选预测模型中,选择交通风险预测模型。交通风险测试数据集用于测试交通风险预测模型的预测性能。模型超参数包括但不限于初始学习率、丢弃率和LSTM单元的堆叠层数。这样,采用交通风险训练数据集、交通风险验证数据集和交通风险测试数据集,训练和测试交通风险预测模型,保证了交通风险预测模型的准确性。
在一个示例中,终端按照预设的比例,将交通风险数据集随机分为三个集合:初始交通风险训练数据集(70%)、交通风险验证数据集(15%)和交通风险测试数据集(15%)。然后,终端对初始交通风险训练数据集,采用重采样的方法,调整数据标签的分布情况,即不同损伤严重程度之间的比例,得到交通风险训练数据集。其中,重采样方法可分为三类:欠采样(under-sampling,US)、过采样(over-sampling,OS)和欠采样与过采样相结合(combination of under-and over-sampling,CS)。欠采样方法通过丢弃来自多数类的样本来平衡数据标签。过采样方法则自动创造一些样本并将其添加到少数类中。不同的丢弃或添加规则导致了不同的重采样方法。这样,采用重采样的方法,能够使数据标签的分布情况(即不同损伤严重程度之间的比例)更加均衡,解决了由实际情况得到的乘员损伤数据集中存在的明显的数据不平衡问题(真实世界的道路交通事故中,大多数人都是无伤或轻伤的),显著提升数据驱动方法的预测性能,显著提高交通风险预测模型的准确性。
在一个实施例中,终端可以采用基于删除不满足近邻规则的样本点(editednearest neighbor,ENN)方法进行欠采样。终端可以采用合成少数样本过采样技术(synthetic minority over-sampling technique,SMOTE)进行过采样。终端可以采用SMOTE进行过采样,采用ENN进行欠采样(SMOTE-ENN),进行欠采样与过采样相结合。重采样之后得到的交通风险训练数据集的标签分布如表2所示。
表2重采样之后得到的交通风险训练数据集的标签分布
步骤605,根据交通风险训练数据集,训练目标神经网络,得到交通风险预测模型。
在本申请实施例中,交通风险训练数据集包括车辆碰撞样本、车辆碰撞样本对应的乘员损伤样本结果和车辆碰撞样本对应的等效经济损失样本结果。终端可以将交通风险训练数据集拆解为第一训练数据集和第二训练数据集。其中,第一训练数据集包括车辆碰撞样本和车辆碰撞样本对应的乘员损伤样本结果。第二训练数据集包括车辆碰撞样本和车辆碰撞样本对应的等效经济损失样本结果。然后,终端可以根据第一训练数据集和第二训练数据集,训练目标神经网络,得到交通风险预测模型。
在一个示例中,终端可以先根据第一训练数据集,训练目标神经网络,得到乘员损伤预测模型。然后,终端可以根据第二训练数据集,训练乘员损伤预测模型,得到交通风险预测模型。这样,在第一次训练时,数据只流通过数据预处理模块、通用处理模块和乘员损伤预测模块。因此,根据梯度下降法更新网络参数时,也只更新数据预处理模块、通用处理模块和乘员损伤预测模块的网络参数。在第二次训练时,数据只流通过数据预处理模块、通用处理模块和经济损失预测模块。因此,根据梯度下降法更新网络参数时,也只更新数据预处理模块、通用处理模块和经济损失预测模块的网络参数。
在一个示例中,终端可以先将按照预设的划分规则,随机将第一训练数据集划分成多个第一训练子数据集,随机将第二训练数据集划分成多个第二训练子数据集。其中,划分规则可以包括每一个子数据集包含的数据的数量。例如,划分规则可以为每一个子数据集包含的数据的数量为64。然后,终端按照预设的分批规则,将一个第一训练子数据集和一个第二训练子数据集,作为一个训练批次。例如,终端可以随机将一个第一训练子数据集和一个第二训练子数据集,作为一个训练批次。针对每一个训练批次,终端可以先根据该训练批次中的第一训练子数据集,训练目标神经网络。然后,终端可以根据该训练批次中的第二训练子数据集,训练目标神经网络。这样,经过各训练批次训练后,得到的交通风险预测模型的预测准确性得到进一步提高。
在一个示例中,终端将第一训练数据集输入至目标神经网络,得到乘员损伤预测结果。然后,终端根据乘员损伤样本结果和乘员损伤预测结果,确定乘员损伤损失函数。然后,终端将第二训练数据集输入至目标神经网络,得到等效经济损失预测结果。然后,终端根据等效经济损失样本结果和等效经济损失预测结果,确定等效经济损失损失函数。然后,终端将乘员损伤损失函数和等效经济损失损失函数加权求和,得到目标损失函数。然后,终端根据目标损失函数迭代更新目标神经网络的参数。当目标损失函数满足预设条件时,停止对目标神经网络的参数迭代更新,得到交通风险预测模型。
在一个实施例中,目标损失函数可以表示为:lall=αAlA+αBlB。其中,lall为目标损失函数,lA为乘员损伤损失函数(基于交叉熵(cross entropy,CE)损失计算),lB为等效经济损失损失函数(基于均方差(mean square error,MSE)损失计算),αA为乘员损伤损失函数对应的比例系数,αB为等效经济损失损失函数对应的比例系数。
上述交通风险预测方法中,获取乘员损伤数据集;再针对每一个车辆碰撞样本,根据该车辆碰撞样本对应的乘员损伤样本结果,计算等效经济损失下限和等效经济损失上限;再根据等效经济损失下限和等效经济损失上限,计算该车辆碰撞样本对应的等效经济损失样本结果;再根据各车辆碰撞样本、各车辆碰撞样本对应的乘员损伤样本结果和各车辆碰撞样本对应的等效经济损失样本结果,构成交通风险训练数据集;再根据交通风险训练数据集,训练目标神经网络,得到交通风险预测模型。这样,基于乘员损伤数据集,计算每个车辆碰撞样本对应的等效经济损失样本结果,构成用于训练交通风险预测模型的交通风险训练数据集,从而实现基于现有的统计数据,在事故发生前预测事故可能造成的乘员损伤和等效经济损失,训练数据集真实可靠,训练得到的交通风险预测模型的准确性高。
在一个实施例中,如图8所示,根据车辆碰撞样本对应的乘员损伤样本结果,计算等效经济损失下限和等效经济损失上限的具体过程包括以下步骤:
步骤801,根据预设的乘员损伤样本结果与最大损伤等级之间的对应关系、以及车辆碰撞样本对应的乘员损伤样本结果,确定车辆碰撞样本对应的最大损伤等级。
在本申请实施例中,终端可以预设乘员损伤样本结果与最大损伤等级之间的对应关系(为了便于区分,可称为第一对应关系)。其中,乘员损伤样本结果包括损伤严重程度评分(injury severity score,ISS)。最大损伤等级为乘员所遭受众多损伤中最为严重的等级,即身体各部位对应的损伤等级中的最大值。最大损伤等级用于衡量交通事故受害者的整体损伤严重程度。
在一个示例中,终端可以将乘员损伤样本结果划分为预设数目个乘员损伤等级,并建立乘员损伤等级与损伤严重程度评分之间的对应关系。然后,终端建立乘员损伤等级与最大损伤等级之间的对应关系,实现乘员损伤样本结果与最大损伤等级之间的对应关系的建立。
在一个实施例中,最大损伤等级可以为最大简易损伤等级(Maximum AbbreviatedInjury Scale,MAIS)。最大简易损伤等级为乘员所遭受众多损伤中简明损伤等级(Abbreviated Injury Scale,AIS)最为严重的等级。简明损伤等级用于衡量交通事故中的乘员某身体部位的损伤严重性,包括头颈、脸部、胸部、腹部、四肢、皮肤共六个部位,AIS分为6级,如表3所示。终端将乘员损伤预测结果划分为4个乘员损伤等级,按照损伤严重程度由轻到重依次为:第一乘员损伤等级、第二乘员损伤等级、第三乘员损伤等级和第四乘员损伤等级。然后,终端建立乘员损伤等级与最大损伤等级之间的对应关系:第一乘员损伤等级:MAIS为0、第二乘员损伤等级:MAIS为1、第三乘员损伤等级:MAIS为2-3和第四乘员损伤等级:MAIS为4-6。
表3 AIS等级与损伤严重性的对应关系
AIS等级 | 损伤严重性 |
1 | 轻微创伤 |
2 | 中度创伤 |
3 | 严重创伤(无生命危险) |
4 | 严重创伤(有生命危险) |
5 | 最严重创伤(可能死亡) |
6 | 致死性创伤(24h内死亡) |
然后,终端根据预设的第一对应关系、以及车辆碰撞样本对应的乘员损伤样本结果,确定车辆碰撞样本对应的最大损伤等级。
步骤802,根据身体部位、最大损伤等级与等效经济损失之间的对应关系、以及最大损伤等级,确定该车辆碰撞样本对应的按身体区域分类的区域等效经济损失。
在本申请实施例中,终端可以预先设定身体部位。例如,身体部位包括:脊柱、脑部、下肢、上肢、腹部和其他重要部位(如头部、面部和颈部)。终端可以预先获取身体部位、最大损伤等级与等效经济损失之间的对应关系(为了便于区分,可称为第二对应关系)。具体的,终端可以根据交通事故经济损失数据库,确定身体部位、最大损伤等级与等效经济损失之间的统计数据,并将该统计数据作为第二对应关系。其中,交通事故经济损失数据库包括交通事故中基于身体部位和最大损伤等级的等效经济损失。
在一个实施例中,终端可以将《Zaloshnja,2004》中记录的交通事故中基于身体部位和最大损伤等级的等效经济损失,构成交通事故经济损失数据库。《Zaloshnja,2004》统计了美国1979年至90年代中期道路交通安全事故中的车辆乘员的平均损伤严重性信息(简易损伤等级AIS),以及其造成的平均经济损失情况。
然后,终端根据第二对应关系和最大损伤等级,确定该车辆碰撞样本对应的按身体区域分类的区域等效经济损失。
步骤803,基于身体部位、损伤等级与事故数量之间的对应关系、最大损伤等级、以及预设的区域归一化权重计算策略,计算该车辆碰撞样本对应的身体区域损伤分布的区域归一化权重。
在本申请实施例中,终端可以预先获取身体部位、损伤等级与事故数量之间的对应关系(为了便于区分,可称为第三对应关系)。具体的,终端可以根据交通事故乘员损伤数据库,确定身体部位、损伤等级与事故数量之间的统计数据,并将该统计数据作为第三对应关系。其中,交通事故乘员损伤数据库包括交通事故中各身体部位对应的损伤等级。
在一个实施例中,终端可以将美国国家汽车抽样系统/交通事故损伤研究系统(National Automotive Sampling System/Crash Injury Research EngineeringNetwork,NASS CIREN)数据库中的每一种损伤作为一个数据样本。然后,终端将不属于预设的身体部位(如烧伤皮肤损伤等)的数据样本排除,将剩余的数据样本构成交通事故乘员损伤数据库。这样,得到的交通事故乘员损伤数据库中数据量较大,能够表征真实世界中道路交通损伤行为的大致分布情况,提高计算得到的第三对应关系和第四对应关系的准确性,提高等效经济损失样本结果的准确性,提高训练数据集的真实性和可靠性,从而提高训练得到的交通风险预测模型的准确性。
然后,终端将最大损伤等级作为该车辆碰撞样本对应的损伤等级。然后,终端根据第三对应关系和损伤等级,确定该车辆碰撞样本对应的身体区域损伤分布的区域归一化权重。
步骤804,根据最大损伤等级与损伤等级之间的对应关系、以及最大损伤等级,确定该车辆碰撞样本对应的损伤数目修正系数。
在本申请实施例中,终端可以预先获取最大损伤等级与损伤等级之间的对应关系(为了便于区分,可称为第四对应关系)。具体的,终端可以根据交通事故乘员损伤数据库,确定最大损伤等级与损伤等级之间的统计数据,并将该统计数据作为第四对应关系。然后,终端根据第四对应关系和最大损伤等级,确定该车辆碰撞样本对应的损伤数目修正系数。
步骤805,根据区域等效经济损失和区域归一化权重,计算等效经济损失下限。根据区域等效经济损失、区域归一化权重和损伤数目修正系数,计算等效经济损失上限。
在本申请实施例中,终端可以计算区域等效经济损失和区域归一化权重的逐元素乘积,并根据该逐元素乘积,确定等效经济损失下限。同时,终端可以计算区域等效经济损失、区域归一化权重和损伤数目修正系数的逐元素乘积,并根据该逐元素乘积,确定等效经济损失上限。
在一个实施例中,乘员损伤样本结果包括乘员损伤等级。乘员损伤等级按照损伤严重程度由轻到重依次为:第一乘员损伤等级、第二乘员损伤等级、第三乘员损伤等级和第四乘员损伤等级。终端建立乘员损伤等级与最大损伤等级之间的对应关系:第一乘员损伤等级:MAIS为0、第二乘员损伤等级:MAIS为1、第三乘员损伤等级:MAIS为2-3和第四乘员损伤等级:MAIS为4-6。一个车辆碰撞样本对应的乘员损伤样本结果包括的乘员损伤等级为第三乘员损伤等级。终端根据预设的第一对应关系、以及车辆碰撞样本对应的乘员损伤样本结果,确定车辆碰撞样本对应的MAIS为2-3。终端将《Zaloshnja,2004》中记录的交通事故中基于身体部位和最大损伤等级的等效经济损失,构成交通事故经济损失数据库。等效经济损失为医疗相关的经济损失和丧失未来工作能力所造成的经济损失(如终生工资的损失、丧失家庭工作能力的损失等)的总和。终端可以根据交通事故经济损失数据库,确定身体部位、最大损伤等级与等效经济损失之间的统计数据,并将该统计数据作为第二对应关系,如表4所示。
表4基于身体部位和最大损伤等级的等效经济损失(Zaloshnja,2004)
然后,终端根据第二对应关系和最大损伤等级,确定该车辆碰撞样本对应的按身体区域分类的区域等效经济损失,可以表示为:
其中,C3为第三乘员损伤等级对应的区域等效经济损失,右侧6×2维矩阵为表4中的等效经济损失,6个身体区域和2个MAIS等级(即MAIS 2-3)。
然后,终端根据美国国家汽车抽样系统/交通事故损伤研究系统(NationalAutomotive Sampling System/Crash Injury Research Engineering Network,NASSCIREN)数据库,确定交通事故乘员损伤数据库。然后,终端根据交通事故乘员损伤数据库,确定身体部位、损伤等级与事故数量之间的统计数据,并将该统计数据作为第三对应关系,如表5所示。
表5交通事故乘员损伤数据库中基于身体部位和乘员损伤等级的事故数量分布
然后,终端将MAIS2-3作为该车辆碰撞样本对应的损伤等级AIS2-3。然后,终端根据第三对应关系和损伤等级,确定该车辆碰撞样本对应的身体区域损伤分布的区域归一化权重,可以表示为:
其中,D3为第三乘员损伤等级对应的区域归一化权重,右侧6×2维矩阵为表5中的事故数量,6个身体区域和2个AIS等级(即AIS 2-3),左侧系数为矩阵中元素之和。
然后,终端可以根据交通事故乘员损伤数据库,确定最大损伤等级与损伤等级之间的统计数据,即某一遭受j级最大损伤等级(MAIS为j)的人员,承受了哪些具体的损伤等级(即有哪几种等级的AIS,及其平均数目),并将该统计数据作为第四对应关系,如表6所示。
表6交通事故乘员损伤数据库中最大损伤等级与损伤等级之间的统计数据
AIS 1 | AIS 2 | AIS 3 | AIS 4 | AIS 5 | AIS 6 | |
MAIS 1 | 2.577 | |||||
MAIS 2 | 3.164 | 1.462 | ||||
MAIS 3 | 3.980 | 1.827 | 1.675 | |||
MAIS 4 | 5.271 | 2.808 | 1.979 | 1.404 | ||
MAIS 5 | 6.706 | 3.365 | 3.030 | 1.326 | 1.464 | |
MAIS 6 | 5.838 | 2.303 | 1.421 | 0.918 | 0.635 | 1.159 |
然后,终端根据第四对应关系和最大损伤等级,确定该车辆碰撞样本对应的损伤数目修正系数,可以表示为:
其中,N3为第三乘员损伤等级对应的损伤数目修正系数,右侧6×2维矩阵为表6中的统计数据。
然后,终端可以计算区域等效经济损失和区域归一化权重的逐元素乘积,并根据该逐元素乘积,确定等效经济损失下限,可以表示为:
其中,Losslower为等效经济损失下限,Ci为区域等效经济损失;Di为区域归一化权重;⊙为Hadamard乘积算子(即逐元素乘积)。和是对于6个身体区域和1个MAIS等级(即MAIS 1);和是对于6个身体区域和2个MAIS等级(即MAIS 2-3);和是对于6个身体区域和3个MAIS等级(即MAIS4-6)。
同时,终端可以计算区域等效经济损失、区域归一化权重和损伤数目修正系数的逐元素乘积,并根据该逐元素乘积,确定等效经济损失上限,可以表示为:
上述交通风险预测方法中,根据预设的乘员损伤样本结果与最大损伤等级之间的对应关系、以及车辆碰撞样本对应的乘员损伤样本结果,确定车辆碰撞样本对应的最大损伤等级;再根据身体部位、最大损伤等级与等效经济损失之间的对应关系、以及最大损伤等级,确定该车辆碰撞样本对应的按身体区域分类的区域等效经济损失;再基于身体部位、损伤等级与事故数量之间的对应关系、最大损伤等级、以及预设的区域归一化权重计算策略,计算该车辆碰撞样本对应的身体区域损伤分布的区域归一化权重;再根据最大损伤等级与损伤等级之间的对应关系、以及最大损伤等级,确定该车辆碰撞样本对应的损伤数目修正系数;再根据区域等效经济损失和区域归一化权重,计算等效经济损失下限,并根据区域等效经济损失、区域归一化权重和损伤数目修正系数,计算等效经济损失上限。这样,将仅考虑一个最大损伤等级带来的等效经济损失作为等效经济损失下限,并将预估的最大损伤等级对应的各损伤等级带来的等效经济损失作为等效经济损失上限,考虑损伤情况全面,提高计算得到的车辆碰撞样本对应的等效经济损失样本结果的准确性,提高训练数据集的真实性和可靠性,从而提高训练得到的交通风险预测模型的准确性。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的交通风险预测方法的交通风险预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个交通风险预测装置实施例中的具体限定可以参见上文中对于交通风险预测方法的限定,在此不再赘述。
在一个实施例中,如图9所示,提供了一种交通风险预测装置900,包括:第一获取模块910、第一确定模块920、预测模块930和第一计算模块940,其中:
第一获取模块910,用于当满足预设的碰撞发生条件时,获取目标车辆的行驶信息;
第一确定模块920,用于根据所述行驶信息和预设的安全策略,确定所述安全策略对应的车辆碰撞预测信息;
预测模块930,用于将所述车辆碰撞预测信息输入至预先训练的交通风险预测模型,得到乘员损伤预测结果和等效经济损失预测结果;
第一计算模块940,用于根据所述乘员损伤预测结果和所述等效经济损失预测结果,计算交通风险预测结果。
可选的,所述第一计算模块940,具体用于:
根据所述乘员损伤预测结果和预设的权值系数分配策略,确定所述乘员损伤预测结果对应的损伤权重系数和所述等效经济损失预测结果对应的经济权重系数;
根据所述损伤权重系数和所述经济权重系数,对所述乘员损伤预测结果和所述等效经济损失预测结果加权求和,得到交通风险预测结果。
可选的,所述第一计算模块940,具体用于:
在所述乘员损伤预测结果满足预设的轻度事故条件的情况下,确定所述乘员损伤预测结果对应的损伤权重系数为第一预设系数、所述等效经济损失预测结果对应的经济权重系数为第二预设系数;所述第二预设系数与所述第一预设系数的差大于第一预设阈值;
在所述乘员损伤预测结果不满足预设的轻度事故条件、且不满足预设的严重事故条件的情况下,确定所述等效经济损失预测结果对应的经济权重系数为第三预设系数;根据所述乘员损伤预测结果确定风险系数,并根据所述风险系数,计算所述乘员损伤预测结果对应的损伤权重系数;
在所述乘员损伤预测结果满足所述预设的严重事故条件的情况下,确定所述乘员损伤预测结果对应的损伤权重系数为第四预设系数、所述等效经济损失预测结果对应的经济权重系数为第五预设系数;所述第四预设系数与所述第五预设系数的差大于第二预设阈值。
可选的,所述预测模块930,具体用于:
将所述车辆碰撞预测信息输入至预先训练的交通风险预测模型;
通过所述交通风险预测模型,对所述车辆碰撞预测信息预处理,得到数据预处理结果;
对所述数据预处理结果进行通用编码,得到通用编码信息;
根据所述通用编码信息,对所述目标车辆的乘员损伤进行预测,得到乘员损伤预测结果;
根据所述通用编码信息,对所述目标车辆的等效经济损失进行预测,得到等效经济损失预测结果。
可选的,所述装置900还包括:
第二获取模块,用于获取乘员损伤数据集;所述乘员损伤数据集包括车辆碰撞样本和所述车辆碰撞样本对应的乘员损伤样本结果;
第二计算模块,用于针对每一个车辆碰撞样本,根据所述车辆碰撞样本对应的乘员损伤样本结果,计算等效经济损失下限和等效经济损失上限;
第三计算模块,用于根据所述等效经济损失下限和所述等效经济损失上限,计算所述车辆碰撞样本对应的等效经济损失样本结果;
第二确定模块,用于根据各所述车辆碰撞样本、各所述车辆碰撞样本对应的乘员损伤样本结果和各所述车辆碰撞样本对应的等效经济损失样本结果,构成交通风险训练数据集;
训练模块,用于根据所述交通风险训练数据集,训练目标神经网络,得到交通风险预测模型。
可选的,所述第二计算模块,具体用于:
根据预设的乘员损伤样本结果与最大损伤等级之间的对应关系、以及所述车辆碰撞样本对应的乘员损伤样本结果,确定所述车辆碰撞样本对应的最大损伤等级;
根据身体部位、最大损伤等级与等效经济损失之间的对应关系、以及所述最大损伤等级,确定所述车辆碰撞样本对应的按身体区域分类的区域等效经济损失;
基于身体部位、损伤等级与事故数量之间的对应关系、所述最大损伤等级、以及预设的区域归一化权重计算策略,计算所述车辆碰撞样本对应的身体区域损伤分布的区域归一化权重;
根据所述最大损伤等级与损伤等级之间的对应关系、以及所述最大损伤等级,确定所述车辆碰撞样本对应的损伤数目修正系数;
根据所述区域等效经济损失和所述区域归一化权重,计算等效经济损失下限;根据所述区域等效经济损失、所述区域归一化权重和所述损伤数目修正系数,计算等效经济损失上限。
上述交通风险预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种交通风险预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种交通风险预测方法,其特征在于,所述方法包括:
当满足预设的碰撞发生条件时,获取目标车辆的行驶信息;
根据所述行驶信息和预设的安全策略,确定所述安全策略对应的车辆碰撞预测信息;
将所述车辆碰撞预测信息输入至预先训练的交通风险预测模型,得到乘员损伤预测结果和等效经济损失预测结果;
根据所述乘员损伤预测结果和所述等效经济损失预测结果,计算交通风险预测结果。
2.根据权利要求1所述的方法,其特征在于,所述根据所述乘员损伤预测结果和所述等效经济损失预测结果,计算交通风险预测结果包括:
根据所述乘员损伤预测结果和预设的权值系数分配策略,确定所述乘员损伤预测结果对应的损伤权重系数和所述等效经济损失预测结果对应的经济权重系数;
根据所述损伤权重系数和所述经济权重系数,对所述乘员损伤预测结果和所述等效经济损失预测结果加权求和,得到交通风险预测结果。
3.根据权利要求2所述的方法,其特征在于,所述根据所述乘员损伤预测结果和预设的权值系数分配策略,确定所述乘员损伤预测结果对应的损伤权重系数和所述等效经济损失预测结果对应的经济权重系数包括:
在所述乘员损伤预测结果满足预设的轻度事故条件的情况下,确定所述乘员损伤预测结果对应的损伤权重系数为第一预设系数、所述等效经济损失预测结果对应的经济权重系数为第二预设系数;所述第二预设系数与所述第一预设系数的差大于第一预设阈值;
在所述乘员损伤预测结果不满足预设的轻度事故条件、且不满足预设的严重事故条件的情况下,确定所述等效经济损失预测结果对应的经济权重系数为第三预设系数;根据所述乘员损伤预测结果确定风险系数,并根据所述风险系数,计算所述乘员损伤预测结果对应的损伤权重系数;
在所述乘员损伤预测结果满足所述预设的严重事故条件的情况下,确定所述乘员损伤预测结果对应的损伤权重系数为第四预设系数、所述等效经济损失预测结果对应的经济权重系数为第五预设系数;所述第四预设系数与所述第五预设系数的差大于第二预设阈值。
4.根据权利要求1所述的方法,其特征在于,所述将所述车辆碰撞预测信息输入至预先训练的交通风险预测模型,得到乘员损伤预测结果和等效经济损失预测结果包括:
将所述车辆碰撞预测信息输入至预先训练的交通风险预测模型;
通过所述交通风险预测模型,对所述车辆碰撞预测信息预处理,得到数据预处理结果;
对所述数据预处理结果进行通用编码,得到通用编码信息;
根据所述通用编码信息,对所述目标车辆的乘员损伤进行预测,得到乘员损伤预测结果;
根据所述通用编码信息,对所述目标车辆的等效经济损失进行预测,得到等效经济损失预测结果。
5.根据权利要求1所述的方法,其特征在于,所述交通风险预测模型的训练过程包括:
获取乘员损伤数据集;所述乘员损伤数据集包括车辆碰撞样本和所述车辆碰撞样本对应的乘员损伤样本结果;
针对每一个车辆碰撞样本,根据所述车辆碰撞样本对应的乘员损伤样本结果,计算等效经济损失下限和等效经济损失上限;
根据所述等效经济损失下限和所述等效经济损失上限,计算所述车辆碰撞样本对应的等效经济损失样本结果;
根据各所述车辆碰撞样本、各所述车辆碰撞样本对应的乘员损伤样本结果和各所述车辆碰撞样本对应的等效经济损失样本结果,构成交通风险训练数据集;
根据所述交通风险训练数据集,训练目标神经网络,得到交通风险预测模型。
6.根据权利要求5所述的方法,其特征在于,所述根据所述车辆碰撞样本对应的乘员损伤样本结果,计算等效经济损失下限和等效经济损失上限包括:
根据预设的乘员损伤样本结果与最大损伤等级之间的对应关系、以及所述车辆碰撞样本对应的乘员损伤样本结果,确定所述车辆碰撞样本对应的最大损伤等级;
根据身体部位、最大损伤等级与等效经济损失之间的对应关系、以及所述最大损伤等级,确定所述车辆碰撞样本对应的按身体区域分类的区域等效经济损失;
基于身体部位、损伤等级与事故数量之间的对应关系、所述最大损伤等级、以及预设的区域归一化权重计算策略,计算所述车辆碰撞样本对应的身体区域损伤分布的区域归一化权重;
根据所述最大损伤等级与损伤等级之间的对应关系、以及所述最大损伤等级,确定所述车辆碰撞样本对应的损伤数目修正系数;
根据所述区域等效经济损失和所述区域归一化权重,计算等效经济损失下限;根据所述区域等效经济损失、所述区域归一化权重和所述损伤数目修正系数,计算等效经济损失上限。
7.一种交通风险预测装置,其特征在于,所述装置包括:
第一获取模块,用于当满足预设的碰撞发生条件时,获取目标车辆的行驶信息;
第一确定模块,用于根据所述行驶信息和预设的安全策略,确定所述安全策略对应的车辆碰撞预测信息;
预测模块,用于将所述车辆碰撞预测信息输入至预先训练的交通风险预测模型,得到乘员损伤预测结果和等效经济损失预测结果;
第一计算模块,用于根据所述乘员损伤预测结果和所述等效经济损失预测结果,计算交通风险预测结果。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一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,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210807795.1A CN115345347A (zh) | 2022-07-11 | 2022-07-11 | 交通风险预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210807795.1A CN115345347A (zh) | 2022-07-11 | 2022-07-11 | 交通风险预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115345347A true CN115345347A (zh) | 2022-11-15 |
Family
ID=83947474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210807795.1A Pending CN115345347A (zh) | 2022-07-11 | 2022-07-11 | 交通风险预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115345347A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116644585A (zh) * | 2023-05-30 | 2023-08-25 | 清华大学 | 基于目标车辆危险度的险态场景数据生成方法和装置 |
CN116976423A (zh) * | 2023-06-09 | 2023-10-31 | 清华大学 | 融合事故后车辆动力学的事故前风险评估模型的训练方法 |
CN117935615A (zh) * | 2024-03-25 | 2024-04-26 | 中国汽车技术研究中心有限公司 | 一种基于全身损伤度量减轻人车碰撞中行人损伤的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844663A (zh) * | 2017-01-23 | 2017-06-13 | 中国石油大学(华东) | 一种基于数据挖掘的船舶碰撞风险评估方法及系统 |
CN111260484A (zh) * | 2020-01-14 | 2020-06-09 | 支付宝(杭州)信息技术有限公司 | 一种人伤识别的数据处理方法、装置、服务器及系统 |
CN113628055A (zh) * | 2021-07-23 | 2021-11-09 | 明觉科技(北京)有限公司 | 车辆事故损失评估方法及装置 |
CN113657343A (zh) * | 2021-08-30 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 基于机器学习的理赔资源数据的生成方法及装置 |
CN114241398A (zh) * | 2022-02-23 | 2022-03-25 | 深圳壹账通科技服务有限公司 | 基于人工智能的车辆定损方法、装置、设备及存储介质 |
CN114386691A (zh) * | 2022-01-10 | 2022-04-22 | 清华大学 | 基于应激姿态预测的乘员损伤预测方法和装置 |
-
2022
- 2022-07-11 CN CN202210807795.1A patent/CN115345347A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844663A (zh) * | 2017-01-23 | 2017-06-13 | 中国石油大学(华东) | 一种基于数据挖掘的船舶碰撞风险评估方法及系统 |
CN111260484A (zh) * | 2020-01-14 | 2020-06-09 | 支付宝(杭州)信息技术有限公司 | 一种人伤识别的数据处理方法、装置、服务器及系统 |
CN113628055A (zh) * | 2021-07-23 | 2021-11-09 | 明觉科技(北京)有限公司 | 车辆事故损失评估方法及装置 |
CN113657343A (zh) * | 2021-08-30 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 基于机器学习的理赔资源数据的生成方法及装置 |
CN114386691A (zh) * | 2022-01-10 | 2022-04-22 | 清华大学 | 基于应激姿态预测的乘员损伤预测方法和装置 |
CN114241398A (zh) * | 2022-02-23 | 2022-03-25 | 深圳壹账通科技服务有限公司 | 基于人工智能的车辆定损方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
陈云霁 等: "《智能计算系统》", 北京:机械工业出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116644585A (zh) * | 2023-05-30 | 2023-08-25 | 清华大学 | 基于目标车辆危险度的险态场景数据生成方法和装置 |
CN116644585B (zh) * | 2023-05-30 | 2024-01-09 | 清华大学 | 基于目标车辆危险度的险态场景数据生成方法和装置 |
CN116976423A (zh) * | 2023-06-09 | 2023-10-31 | 清华大学 | 融合事故后车辆动力学的事故前风险评估模型的训练方法 |
CN117935615A (zh) * | 2024-03-25 | 2024-04-26 | 中国汽车技术研究中心有限公司 | 一种基于全身损伤度量减轻人车碰撞中行人损伤的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115345347A (zh) | 交通风险预测方法、装置、计算机设备和存储介质 | |
Augenstein et al. | Characteristics of crashes that increase the risk of serious injuries | |
Chong et al. | Traffic accident analysis using machine learning paradigms | |
Kononen et al. | Identification and validation of a logistic regression model for predicting serious injuries associated with motor vehicle crashes | |
Delen et al. | Identifying significant predictors of injury severity in traffic accidents using a series of artificial neural networks | |
CN106095963B (zh) | 互联网+时代下的车辆驾驶行为分析大数据公共服务平台 | |
Zhu et al. | Design and experiment verification of a novel analysis framework for recognition of driver injury patterns: From a multi-class classification perspective | |
Zhou et al. | Comparing factors affecting injury severity of passenger car and truck drivers | |
Gulino et al. | Injury risk assessment based on pre-crash variables: The role of closing velocity and impact eccentricity | |
Yuan et al. | Analysis of the risk factors affecting the size of fatal accidents involving trucks based on the structural equation model | |
Liu et al. | Predicting interstate motor carrier crash rate level using classification models | |
CN114386691A (zh) | 基于应激姿态预测的乘员损伤预测方法和装置 | |
Kong et al. | Machine learning-based injury severity prediction of level 1 trauma center enrolled patients associated with car-to-car crashes in Korea | |
Chang et al. | Exploring contributing factors of hazardous events in construction zones using naturalistic driving study data | |
Wen et al. | A Comprehensive Analysis for the Heterogeneous Effects on Driver Injury Severity in Single‐Vehicle Passenger Car and SUV Rollover Crashes | |
Gabler et al. | Automotive field data in injury biomechanics | |
CN116432864A (zh) | 一种区域营运驾驶员群体安全态势的预测方法及系统 | |
Khan et al. | Prediction of truck-involved crash severity on a rural mountainous freeway using transfer learning with resnet-50 deep neural network | |
Cen et al. | A system design for driving behavior analysis and assessment | |
Zhang et al. | Machine Learning Models established toward the Car Smash Injury Difficulty | |
Ge et al. | Mixed linear modeling techniques for predicting fatalities in vehicle crashes | |
CN115035713A (zh) | 智慧交通碳排放监测系统和方法 | |
Clark et al. | Inverse propensity weighting to adjust for bias in fatal crash samples | |
He et al. | Research on safety evaluation of commercial vehicle driving behavior based on data mining technology | |
CN114371708B (zh) | 自动驾驶算法保护性能评测方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221115 |
|
RJ01 | Rejection of invention patent application after publication |