CN115440035A - 一种交通事件的预警方法、装置、电子设备及存储介质 - Google Patents

一种交通事件的预警方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115440035A
CN115440035A CN202211027493.9A CN202211027493A CN115440035A CN 115440035 A CN115440035 A CN 115440035A CN 202211027493 A CN202211027493 A CN 202211027493A CN 115440035 A CN115440035 A CN 115440035A
Authority
CN
China
Prior art keywords
information
personnel
vehicle
early warning
suspected
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.)
Granted
Application number
CN202211027493.9A
Other languages
English (en)
Other versions
CN115440035B (zh
Inventor
俞佳莹
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.)
Hangzhou Hikvision System Technology Co Ltd
Original Assignee
Hangzhou Hikvision System 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 Hangzhou Hikvision System Technology Co Ltd filed Critical Hangzhou Hikvision System Technology Co Ltd
Priority to CN202211027493.9A priority Critical patent/CN115440035B/zh
Publication of CN115440035A publication Critical patent/CN115440035A/zh
Application granted granted Critical
Publication of CN115440035B publication Critical patent/CN115440035B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明实施例提供了一种交通事件的预警方法、装置、电子设备及存储介质，方法包括：获取目标交通事件所关联的事件信息，其中，事件信息包括人员信息和/或车辆信息；确定事件信息是否与预设预警库包括的信息相匹配，其中，预设预警库预先基于历史交通事件信息建立，预设预警库包括风险人员信息和/或风险车辆信息；如果人员信息与风险人员信息相匹配，和/或，车辆信息与风险车辆信息相匹配，发送预警消息至工作人员。由于预设预警库是基于历史交通事件信息建立的，可以包括与历史交通事件相关联的风险人员信息和风险车辆信息，从而可以全面地针对目标交通事件所关联的人员信息和/或车辆信息进行预警。

Description

一种交通事件的预警方法、装置、电子设备及存储介质
技术领域
本发明涉及交通事件处理技术领域，特别是涉及一种交通事件的预警方法、装置、电子设备及存储介质。
背景技术
随着现代交通业的飞速发展，越来越多的人选择驾驶车辆出行，这也导致了交通违章事件数量的增加。在常见的处理交通违章事件的过程中，工作人员会对交通违章事件的相关人员做出处罚，例如，扣除导致交通违章事件的车辆驾驶员的驾驶证的违章分数。
而某些驾驶员的交通观念不文明，在其驾驶证的违章分数的记分周期内，多次造成交通违章事件，违章分数可能不够满足该驾驶员的扣分需求。为了逃避处罚，该驾驶员可能使用别人的驾驶证进行扣分，也即代扣分行为。因此工作人员在处理交通违章事件时，需要基于处理经验对驾驶员进行询问，以尽量减少出现代扣分行为。为了向处理交通违章事件的工作人员进行预警，提高发现代扣分行为的几率，亟需一种可以对扣分行为等交通事件进行预警的方法。
发明内容
本发明实施例的目的在于提供一种交通事件的预警方法、装置、电子设备及存储介质，用于向处理交通违章事件的工作人员进行预警。具体技术方案如下：
第一方面，本发明实施例提供了一种交通事件的预警方法，所述方法包括：
获取目标交通事件所关联的事件信息，其中，所述事件信息包括人员信息和/或车辆信息；
确定所述事件信息是否与预设预警库包括的信息相匹配，其中，所述预设预警库预先基于历史交通事件信息建立，所述预设预警库包括风险人员信息和/或风险车辆信息；
如果所述人员信息与所述风险人员信息相匹配，和/或，所述车辆信息与所述风险车辆信息相匹配，发送预警消息至工作人员。
可选的，所述预设预警库的建立方式，包括：
按照预设车辆筛选规则，从所述历史交通事件信息所关联的车辆信息中，筛选出目标类型的交通事件所关联的关联车辆信息，其中，所述预设车辆筛选规则基于所述目标类型的交通事件对应的车辆扣分规律设定；
基于预设积分规则及所述关联车辆信息包括的各维度的车辆特征，计算得到各个关联车辆信息对应的积分；
将所述各个关联车辆信息按照对应的积分进行排序，得到排序结果；
基于所述排序结果，从所述各个关联车辆信息中确定疑似车辆信息；
基于所述疑似车辆信息构建得到所述预设预警库。
可选的，所述预设预警库的建立方式，包括：
按照预设人员筛选规则，从所述历史交通事件信息所关联的人员信息中，筛选出目标类型的交通事件所关联的关联人员信息，其中，所述预设人员筛选规则基于所述目标类型的交通事件对应的人员扣分规律设定；
将所述关联人员信息与疑似车辆信息所关联的人员信息的交集，确定为疑似人员信息，其中，所述疑似车辆信息为从所述历史交通事件信息所关联的车辆信息中筛选得到的；
基于所述疑似人员信息构建得到所述预设预警库。
可选的，所述预设预警库的建立方式，还包括：
对所述疑似人员信息的目标人员特征以及备选人员的备选人员特征进行聚类，得到聚类结果；
基于所述聚类结果，将对应的备选人员特征与所述目标人员特征所属类别相同的备选人员，确定为扩充人员；
基于所述疑似人员信息以及所述扩充人员的人员信息，构建得到所述预设预警库。
可选的，所述疑似人员信息对应的疑似人员为多个，所述基于所述聚类结果，将对应的备选人员特征与所述目标人员特征所属类别相同的备选人员，确定为扩充人员的步骤，包括：
在所述目标人员特征所属的目标类别均相同的情况下，将对应的备选人员特征所属类别为所述目标类别的备选人员，确定为扩充人员；或，用于在所述目标人员特征所属的目标类别不完全相同的情况下，如果备选人员特征所属类别为所述目标类别中的任一个，将该备选人员特征对应的备选人员确定为扩充人员。
可选的，所述目标人员特征至少包括所述疑似人员所关联的人员扣分特征或车辆扣分特征；
所述备选人员特征至少包括所述备选人员所关联的人员扣分特征或车辆扣分特征。
第二方面，本发明实施例提供了一种交通事件的预警装置，所述装置包括：
信息获取模块，用于获取目标交通事件所关联的事件信息，其中，所述事件信息包括人员信息和/或车辆信息；
信息匹配模块，用于确定所述事件信息是否与预设预警库包括的信息相匹配，其中，所述预设预警库预先基于历史交通事件信息建立，所述预设预警库包括风险人员信息和/或风险车辆信息；
预警消息发送模块，用于如果所述人员信息与所述风险人员信息相匹配，和/或，所述车辆信息与所述风险车辆信息相匹配，发送预警消息至工作人员。
可选的，所述装置还包括预警库建立模块，所述预警库建立模块包括：
车辆信息筛选单元，用于按照预设车辆筛选规则，从所述历史交通事件信息所关联的车辆信息中，筛选出目标类型的交通事件所关联的关联车辆信息，其中，所述预设车辆筛选规则基于所述目标类型的交通事件对应的车辆扣分规律设定；
积分计算单元，用于基于预设积分规则及所述关联车辆信息包括的各维度的车辆特征，计算得到各个关联车辆信息对应的积分；
排序单元，用于将所述各个关联车辆信息按照对应的积分进行排序，得到排序结果；
疑似车辆信息确定单元，用于基于所述排序结果，从所述各个关联车辆信息中确定疑似车辆信息；
第一预警库构建单元，用于基于所述疑似车辆信息构建得到所述预设预警库。
可选的，所述预警库建立模块包括：
人员信息筛选单元，用于按照预设人员筛选规则，从所述历史交通事件信息所关联的人员信息中，筛选出目标类型的交通事件所关联的关联人员信息，其中，所述预设人员筛选规则基于所述目标类型的交通事件对应的人员扣分规律设定；
疑似人员信息确定单元，用于将所述关联人员信息与疑似车辆信息所关联的人员信息的交集，确定为疑似人员信息，其中，所述疑似车辆信息为从所述历史交通事件信息所关联的车辆信息中筛选得到的；
第二预警库构建单元，用于基于所述疑似人员信息构建得到所述预设预警库。
可选的，所述预警库建立模块还包括：
信息聚类单元，用于对所述疑似人员信息的目标人员特征以及备选人员的备选人员特征进行聚类，得到聚类结果；
人员扩充单元，用于基于所述聚类结果，将对应的备选人员特征与所述目标人员特征所属类别相同的备选人员，确定为扩充人员；
第三预警库构建单元，用于基于所述疑似人员信息以及所述扩充人员的人员信息，构建得到所述预设预警库。
可选的，所述疑似人员信息对应的疑似人员为多个，所述人员扩充单元包括：
人员扩充子单元，用于在所述目标人员特征所属的目标类别均相同的情况下，将对应的备选人员特征所属类别为所述目标类别的备选人员，确定为扩充人员；或，
在所述目标人员特征所属的目标类别不完全相同的情况下，如果备选人员特征所属类别为所述目标类别中的任一个，将该备选人员特征对应的备选人员确定为扩充人员。
可选的，所述目标人员特征至少包括所述疑似人员所关联的人员扣分特征或车辆扣分特征；
所述备选人员特征至少包括所述备选人员所关联的人员扣分特征或车辆扣分特征。
第三方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述第一方面任一所述的方法步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一所述的方法步骤。
本发明实施例有益效果：
本发明实施例提供的方案中，电子设备可以获取目标交通事件所关联的事件信息，其中，事件信息包括人员信息和/或车辆信息，确定事件信息是否与预设预警库包括的信息相匹配，其中，预设预警库预先基于历史交通事件信息建立，可以包括风险人员信息和/或风险车辆信息。进而如果人员信息与风险人员信息相匹配，和/或，车辆信息与风险车辆信息相匹配，可以发送预警消息至工作人员。由于预设预警库是基于历史交通事件信息建立的，包括与历史交通事件相关联的风险人员信息和/或风险车辆信息，因此，可以基于目标交通事件所关联的事件信息与预设预警库中信息的匹配情况，发现存在风险的人员和/或车辆，进而，向处理交通违章事件的工作人员进行预警。当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的实施例。
图1为本发明实施例所提供的一种交通事件的预警方法的流程图；
图2为基于图1所示实施例的预设预警库的建立方式的一种流程图；
图3为基于图1所示实施例的预设预警库的建立方式的另一种流程图；
图4为基于图3所示实施例碰撞分析的一种流程示意图；
图5为基于图3所示实施例的预设预警库的建立方式的另一种流程图；
图6为基于图1所示实施例的预设预警库的更新方式的一种流程图；
图7为基于图1所示实施例的目标交通事件的处理过程的一种示意图；
图8为基于图1所示实施例的预警库的建立与更新过程的一种示意图；
图9为本发明实施例所提供的一种交通事件的预警装置的结构示意图；
图10为基于图9所示实施例的预警库建立模块的一种结构示意图；
图11为基于图9所示实施例的预警库建立模块的另一种结构示意图；
图12为本发明实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员基于本发明所获得的所有其他实施例，都属于本发明保护的范围。
为了发现存在风险的人员和/或车辆，向处理交通违章事件的工作人员进行预警，本发明实施例提供了一种交通事件的预警方法、装置、电子设备、计算机可读存储介质以及计算机程序产品，下面首先对本发明实施例所提供的一种交通事件的预警方法进行介绍。
本发明实施例所提供的一种交通事件的预警方法可以应用于任意可以处理交通事件相关信息的电子设备。例如，可以为交通事件处理系统中的控制器、交通事件处理设备、交通事件处理设备对应的服务器等，在此不做具体限定。为了描述清楚，后续称为电子设备。
如图1所示，一种交通事件的预警方法，所述方法包括：
S101，获取目标交通事件所关联的事件信息；
其中，所述事件信息包括人员信息和/或车辆信息。
S102，确定所述事件信息是否与预设预警库包括的信息相匹配；
其中，所述预设预警库预先基于历史交通事件信息建立，所述预设预警库包括风险人员信息和/或风险车辆信息。
S103，如果所述人员信息与所述风险人员信息相匹配，和/或，所述车辆信息与所述风险车辆信息相匹配，发送预警消息至工作人员。
可见，本发明实施例提供的方案中，电子设备可以获取目标交通事件所关联的事件信息，其中，事件信息包括人员信息和/或车辆信息，确定事件信息是否与预设预警库包括的信息相匹配，其中，预设预警库预先基于历史交通事件信息建立，可以包括风险人员信息和/或风险车辆信息。进而如果人员信息与风险人员信息相匹配，和/或，车辆信息与风险车辆信息相匹配，可以发送预警消息至工作人员。由于预设预警库是基于历史交通事件信息建立的，包括与历史交通事件相关联的风险人员信息和/或风险车辆信息，因此，可以基于目标交通事件所关联的事件信息与预设预警库中信息的匹配情况，发现存在风险的人员和/ 或车辆，进而，向处理交通违章事件的工作人员进行预警。
为了判断是否需要针对目标交通事件进行预警，在上述步骤S101中，电子设备可以获取目标交通事件所关联的事件信息，其中，事件信息可以包括人员信息和/或车辆信息。目标交通事件可以是已经发生的车辆违章事件，例如，可以为驾驶员驾驶车辆超速、驾驶员驾驶车辆闯红灯以及驾驶员驾驶车辆时未系安全带等交通事件，在此不做具体限定。
在获得正在处理该目标交通事件的驾驶员的允许的情况下，电子设备可以获取目标交通事件所关联的人员信息和/或车辆信息。目标交通事件关联的人员信息可以为该目标交通事件对应的驾驶员的人员信息，例如，人员信息可以包括驾驶证号、人脸识别信息等信息，人员信息可以用于区分不同的驾驶员即可，在此不做具体限定。目标交通事件关联的车辆信息为发生该目标交通事件的车辆的相关信息，例如，可以包括车辆的车牌号、车辆标识等信息，车辆信息可以用于区分不同的车辆即可，在此不做具体限定。
为了确定目标交通事件所关联的人员和/或车辆是否存在代扣分等交通违法行为的风险，在上述步骤S102中，电子设备可以确定目标交通事件所关联的事件信息是否与预设预警库包括的信息相匹配。
预设预警库是预先基于历史交通事件信息建立的，历史交通事件信息是真实发生的历史交通事件对应的信息，可以包括历史交通事件相关联的人员信息和/或车辆信息，基于历史交通事件信息，可以确定风险人员信息和/或风险车辆信息。
以代扣分行为处理的应用场景为例，由于在预设的时间范围内，产生多次交通违章事件且由多名不同的驾驶员办理扣分的车辆，其存在代扣分行为的风险较高，因此就可以将该车辆的车辆信息作为风险车辆信息。由于在预设的时间范围内，扣分的总量较大且通过多个不同的车辆进行扣分的驾驶员，其存在代扣分行为的风险较高，因此就可以将该驾驶员的人员信息，作为风险人员信息。
进而电子设备可以在目标交通事件所关联的人员信息与风险人员信息相匹配时，和/或，目标交通事件所关联的车辆信息与风险车辆信息相匹配时，发送预警消息至工作人员。
如果目标交通事件所关联的人员信息与风险人员信息相匹配，也即该人员信息在预设预警库包括的风险人员信息内。例如，预设预警库的风险人员信息为可能存在代扣分行为风险人员的信息，那么，如果目标交通事件所关联的人员信息与风险人员信息相匹配，可以认为该人员信息对应的驾驶员可能并非产生目标交通事件时的车辆的实际驾驶员，从而电子设备可以向工作人员发送预警消息，以提醒工作人员注意该驾驶员可能是代扣分的驾驶员。
如果目标交通事件所关联的车辆信息与风险车辆信息相匹配，也即该车辆信息在预设预警库包括的风险车辆信息内。例如，预设预警库的风险车辆信息为可能存在代扣分行为风险车辆的信息，那么，如果目标交通事件所关联的车辆信息与风险车辆信息相匹配，可以认为该车辆可能曾产生多次交通违章事件且由多名不同的驾驶员办理扣分，此次办理目标交通事件扣分也存在较高的代扣分风险。电子设备也可以向工作人员发送预警消息，以提醒工作人员注意该车辆的驾驶员可能是代扣分的驾驶员。
采用本发明实施例所提供的方案，由于预设预警库是基于历史交通事件信息建立的，包括与历史交通事件相关联的风险人员信息和/或风险车辆信息，因此，可以基于目标交通事件所关联的事件信息与预设预警库中信息的匹配情况，发现存在风险的人员和/或车辆，进而，向处理交通违章事件的工作人员进行预警。
作为本发明实施例的一种实施方式，如图2所示，上述预设预警库的建立方式，可以包括：
S201，按照预设车辆筛选规则，从所述历史交通事件信息所关联的车辆信息中，筛选出目标类型的交通事件所关联的关联车辆信息；
其中，所述预设车辆筛选规则基于所述目标类型的交通事件对应的车辆扣分规律设定。
在一种实施方式中，以目标类型的交通事件为代扣分为例，车辆扣分可以存在以下规律：在某个确定的记分周期内，车辆违章扣分越多，驾驶员(例如该车辆的车主)一个人的违章分数越有可能不够扣除，该驾驶员很可能使用其他人员的驾驶证来办理扣分，从而产生代扣分现象的几率就越高，那么其对应的车辆信息为疑似车辆信息的可能性也就越高。同理，在某个确定的记分周期内，处理某一车辆违章扣分的驾驶员的数量越多，也可以认为其中存在代扣分行为的可能性越高，该车辆对应的车辆信息为疑似车辆信息的可能性也就越高。从而，可以基于目标类型的交通事件对应的车辆扣分规律，设定预设车辆筛选规则。
由于车辆每年需要进行年检，且年检时车辆不允许存在违章记录。其中，车辆的年检即是车辆验车，按照有关规定，车辆应当从注册登记之日起，按照期限进行安全技术检验。一般车辆的年检是在年检时间到期前的三个月内进行。从而在该车辆的年检时间之前，交通事件处理系统可以对驾驶员的驾驶证的违章分数进行扣分处理，并消除该车辆的违章记录，因此，预设车辆筛选规则所涉及的记分周期可以为一年，以统计该一年内车辆的违章扣分情况。
例如，预设车辆筛选规则可以包括：针对每一车辆，如果其近1年违章扣分≥36分，且关联违章处理总人数≥4人，认为该车辆信息为疑似车辆信息；如果其近2年连续每年违章扣分≥24分，且关联违章处理总人数≥5人，认为该车辆信息为疑似车辆信息；如果其近3年连续每年违章扣分≥18分，且关联违章处理总人数≥6人，认为该车辆信息为疑似车辆信息；车辆仅需满足上述预设车辆筛选规则中的至少1条，即可认为该车辆信息为疑似车辆信息。
由于驾驶员的驾驶证的违章分数通常只有12分，而上述预设车辆筛选规则中的每年违章扣分均远大于12分；并且关联违章处理总人数均大于4人，也远超于正常情况下的车辆的违章处理人数。因此满足上述预设车辆筛选规则的车辆信息为疑似车辆信息的可能性极高。并且，预设车辆筛选规则中，还包括对连续多年的违章处理的扣分记录进行分析，筛选出的车辆信息对应的车辆存在的代扣分行为很可能是频繁且持续至今的。通过上述预设车辆筛选规则筛选出的车辆信息为疑似车辆信息的准确性非常高。
S202，基于预设积分规则及所述关联车辆信息包括的各维度的车辆特征，计算得到各个关联车辆信息对应的积分。
尽管基于上述预设车辆筛选规则筛选出的车辆信息为疑似车辆信息的准确性已经较高了，但预设车辆筛选规则仍可能存在一些特殊情况，如驾驶员刚拿到驾驶证，可能因为自身驾驶技术等问题而频繁出现扣分现象，扣分总量较大；或者某些车辆为单位车辆，通常在不同的时间是由多名不同的驾驶员进行驾驶，该车辆的违章处理通常是由多名驾驶员处理的，存在代扣分行为的可能性更高。通过对此类特殊情况进行更加准确地分析判断，可以使得筛选出的疑似车辆信息的结果更加准确。因此，电子设备可以基于预设积分规则及关联车辆信息包括的各维度的车辆特征，计算得到各个关联车辆信息对应的积分。
在一种实施方式中，可以基于车辆的静态属性与动态属性包括的多个维度的车辆特征，设置积分规则，并对上述筛选过程得到的各个关联车辆信息进行积分计算，也即将各个属性维度的车辆特征量化为积分，从而可以对多个关联车辆信息的积分进行比较。车辆的静态属性可以包括车辆的所有权性质，如单位车、个人车等；也可以包括车辆的使用性质，如营运车、非营运车等。车辆的动态属性可以包括该车辆近3年每年的违章分数、近3年该车辆的违章处理总人数、当前违章未处理总分数等特征。
例如，上述车辆特征与对应的预设积分规则可以如下表所示：
Figure BDA0003816161310000091
进而可以通过如下公式计算得到每一关联车辆信息的积分值S：
Figure BDA0003816161310000092
其中，S为该车辆信息的积分值，Sown为该车辆的所有权性质的分值；Suse为该车辆的使用性质的分值；
Figure BDA0003816161310000101
为该车辆近三年中第i年的违章分数的分值；Sperson为该车辆近三年违章处理总人数的分值；Spointnow为该车辆当前违章未处理总分数的分值。
举例来说，某一车辆为个人非营运车辆，其对应的所有权性质的分值Sown与使用性质的分值Suse均为0。近三年来，该车辆每年的违章分数分别为18分、20分、28分，对应的每年的违章分数的分值分别为
Figure BDA0003816161310000102
近三年来，该车辆的违章处理总人数为16人，对应的违章处理总人数的分值为Sperson＝16×0.5＝8。并且该车辆当前违章未处理总分数为10分，对应的当前违章未处理总分数的分值Spointnow＝2。进而可以计算得到该关联车辆信息的积分值为
Figure BDA0003816161310000103
Figure BDA0003816161310000104
S203，将所述各个关联车辆信息按照对应的积分进行排序，得到排序结果。
通过积分计算得到各个关联车辆信息的积分后，电子设备可以将各个关联车辆信息按照对应的积分进行排序，例如可以按照积分值从高到低的顺序进行排序，其中，排序越靠前的关联车辆信息的积分值越高，为疑似车辆信息的可能性也就越高。当然，也可以按照积分值从低到高的顺序进行排序，那么，排序越靠后的关联车辆信息的积分值越高，为疑似车辆信息的可能性也就越高，这都是合理的。
S204，基于所述排序结果，从所述各个关联车辆信息中确定疑似车辆信息。
确定上述排序结果后，电子设备可以基于排序结果，从各个关联车辆信息中确定疑似车辆信息。在一种实施方式中，可以设置关联车辆信息中的疑似车辆信息的比例，例如，可以设置比例为20％、25％、30％等，在此不做具体限定，可以通过该比例获取满足实际使用所需数量的疑似车辆信息即可。以比例为20％为例，电子设备可以从上述排序结果选择排序靠前的20％的关联车辆信息，作为疑似车辆信息。在另一种实施方式中，也可以设置关联车辆信息中的疑似车辆信息的积分阈值，并将积分超过该积分阈值的关联车辆信息作为疑似车辆信息。
S205，基于所述疑似车辆信息构建得到所述预设预警库。
获取到上述疑似车辆信息后，电子设备可以基于疑似车辆信息构建得到预设预警库。其中，预设预警库则包括该疑似车辆信息，即为风险车辆信息，可以用于后续对目标交通事件所关联的车辆信息进行匹配，从而确定出存在风险的车辆。
在本实施例中，电子设备可以按照预设车辆筛选规则，从历史交通事件信息所关联的车辆信息中，筛选出目标类型的交通事件所关联的关联车辆信息，并基于预设积分规则及关联车辆信息包括的各维度的车辆特征，计算得到各个关联车辆信息对应的积分。进而将各个关联车辆信息按照对应的积分进行排序，得到排序结果，并基于排序结果，从各个关联车辆信息中确定疑似车辆信息，基于疑似车辆信息构建得到预设预警库。通过上述方式得到的疑似车辆信息不仅满足预设车辆筛选规则，还是预设积分规则下的积分较高的关联车辆信息，其对应的车辆出现目标类型的交通事件的可能性极高，保证预警得到存在风险的车辆信息的准确度。
作为本发明实施例的一种实施方式，如图3所示，上述预设预警库的建立方式，可以包括：
S301，按照预设人员筛选规则，从所述历史交通事件信息所关联的人员信息中，筛选出目标类型的交通事件所关联的关联人员信息。
其中，预设人员筛选规则基于目标类型的交通事件对应的人员扣分规律设定。由于预设人员筛选规则是基于目标类型的交通事件对应的人员扣分规律设定的，所以历史交通事件信息所关联的人员信息中，如果存在符合该预设人员筛选规则，说明其符合目标类型的交通事件对应的人员扣分规律，那么该人员信息为目标类型的交通事件对应的人员的信息的概率则较高，进而，电子设备可以将这样的人员信息筛选出来，作为目标类型的交通事件所关联的关联人员信息。
以目标类型的交通事件为代扣分为例，自驾驶员获得驾驶证之日起，每12个月为1个记分周期，而当该记分周期到期时，该驾驶员的驾驶证上的已经扣除的违章分数将会清零，从而在下一个记分周期内，该驾驶员重新获得可以扣除的违章分数。驾驶员在每个记分周期内扣除的违章分数通常不会特别多，一般情况下，驾驶员可以有固定的驾驶车辆，一名驾驶员对多个车辆进行违章处理的概率也较低。如果某驾驶员在多个记分周期内扣分均较多，且在每个记分周期内对多个车辆的违章进行处理，可以认为该驾驶员对应的人员信息为疑似人员信息的可能性较高。从而可以基于上述规律设置人员筛选规则。
例如，预设人员筛选规则可以包括：针对每一驾驶员，如果其近3年每个记分周期内扣分均≥6分，且处理的违章车辆的总数≥6辆，认为该驾驶员对应的人员信息为代扣分所关联的关联人员信息。而在具体实施过程中，本地登记的驾驶人员取得驾驶证的时间可以较为方便地确定，从而可以确定其驾驶证的记分周期；而针对非本地登记的驾驶员，该类驾驶员取得驾驶证的时间通常难以确定，那么其驾驶证的的记分周期也是不确定的，从而不能准确判断该非本地登记的驾驶员在每个记分周期内的扣分。作为一种实施方式，针对本地登记的驾驶人员，如果其近3年每个记分周期内扣分均≥6分，且处理的违章车辆的总数≥6辆，认为其对应的人员信息为疑似人员信息。针对非本地登记的驾驶人员，如果其近3年每个自然年内扣分均≥6分，且处理的违章车辆的总数≥6辆，认为其对应的人员信息为代扣分所关联的关联人员信息。
S302，将所述关联人员信息与疑似车辆信息所关联的人员信息的交集，确定为疑似人员信息。
为了进一步准确估计可能发生目标类型的交通事件的人员信息，避免其中包括一些扣分总量较多但实质上不存在目标类型的交通事件的人员信息，电子设备可以从上述关联人员信息中，分析并确定出疑似人员信息。具体来说，电子设备可以将上述目标类型的交通事件所关联的关联人员信息与疑似车辆信息所关联的人员信息的交集，确定为疑似人员信息。其中，疑似车辆信息为从历史交通事件信息所关联的车辆信息中筛选得到的，可以通过上述图2所示实施例中的方式确定，在此不再赘述。
由于电子设备已经获取了大量的疑似车辆信息，该疑似车辆信息可以用于对存在代扣分行为的人员信息的进行辅助分析。电子设备可以获取关联人员信息与疑似车辆信息所关联的人员信息的交集，该交集中的人员信息不仅是预设人员筛选规则筛选出的关联人物信息，也是疑似车辆信息所关联的人员信息，其对应的驾驶员极有可能为疑似车辆信息对应的车辆办理过违章扣分，那么其存在代扣分行为的可能性是很高的，其人员信息作为疑似人员信息的准确性也就是非常高的，因此，电子设备可以将该交集中的人员信息作为疑似人员信息。
在一种实施方式中，电子设备可以通过图4所示的碰撞分析的方式，获取关联人员信息与疑似车辆信息所关联的人员信息的交集。例如，车辆A关联的人员信息包括人员1、人员2 以及人员3，人员1为车辆A、车辆D以及车辆E进行过违章处理，通过碰撞分析可以确定人员1在关联人员信息与疑似车辆信息所关联的人员信息的交集中。同理，车辆C关联的人员信息中包括人员3，而人员3也为车辆C进行过违章处理，从而人员3也在关联人员信息与疑似车辆信息所关联的人员信息的交集中。从而电子设备可以将人员1与人员3对应的关联人员信息作为疑似人员信息。
S303，基于所述疑似人员信息构建得到所述预设预警库。
获取到上述疑似人员信息后，电子设备可以基于疑似人员信息构建得到预设预警库。其中，预设预警库则包括该人员车辆信息，即为风险人员信息，可以用于后续对目标交通事件所关联的人员信息进行匹配，从而确定出存在风险的人员。
在本实施例中，电子设备可以按照预设人员筛选规则，从历史交通事件信息所关联的人员信息中，筛选出目标类型的交通事件所关联的关联人员信息，并将关联人员信息与疑似车辆信息所关联的人员信息的交集，确定为疑似人员信息，进而，基于疑似人员信息构建得到预设预警库。这样，确定的疑似人员信息对应的驾驶员进行目标类型的交通事件的可能性极高，保证预警得到存在风险的人员信息的准确度。
作为本发明实施例的一种实施方式，如图5所示，上述预设预警库的建立方式，还可以包括：
S501，对所述疑似人员信息的目标人员特征以及备选人员的备选人员特征进行聚类，得到聚类结果。
风险人员信息可以用于识别目标交通事件所关联的人员信息，风险车辆信息可以用于识别目标交通事件所关联的车辆信息，但风险人员信息和风险车辆信息是基于历史交通事件信息获得的，如果办理目标交通事件处理业务的驾驶员为首次进行目标交通事件对应的违章行为，其对应的人员信息不在风险人员信息内，则难以对其是否可能存在目标交通事件对应的违章行为进行预警。
因此，为了进一步扩大预警范围，提高预警准确度，电子设备可以基于历史交通事件信息所关联的人员信息进行人员信息扩充，扩充的人员信息中包括与历史交通事件信息所关联的人员信息相似的人员信息。在一种实施方式中，可以提取历史交通事件信息所关联的人员信息的特征，并确定与该特征相似度较高的其他驾驶员的人员信息，作为扩充的人员信息。
作为一种实施方式，电子设备可以将疑似人员信息的目标人员特征以及备选人员的备选人员特征进行聚类，得到聚类结果。以代扣分场景为例，目标人员特征可以包括性别、年龄、驾龄、是否有车、每个记分周期内扣分数、违章处理车辆数、违章次数、违章处理时间距离年检日期、扣分日期距清分日期时间等特征，在此不做具体限定。备选人员可以包括某一区域的部分或全部驾驶员，例如，某市的全部驾驶员、全国的部分省市的驾驶员等，备选人员可以根据实际应用场景进行设置，在此不做具体限定。
S502，基于所述聚类结果，将对应的备选人员特征与所述目标人员特征所属类别相同的备选人员，确定为扩充人员。
通过对疑似人员信息的目标人员特征以及备选人员的备选人员特征进行聚类得到的聚类结果，可以确定对应的备选人员特征与目标人员特征属于相同类别的备选人员，所属类别相同的人员特征存在较强的相似性，因此，这些备选人员特征对应的备选人员也很可能与目标类型的交通事件存在关联，很可能也会发生目标类型的交通事件对应的违章行为，那么，电子设备可以将对应的备选人员特征与目标人员特征的类别相同的备选人员，确定为扩充人员。
S503，基于所述疑似人员信息以及所述扩充人员的人员信息，构建得到所述预设预警库。
确定上述扩充人员的人员信息后，电子设备可以根据疑似人员信息以及扩充人员的人员信息，构建得到预设预警库。预设预警库不仅可以包括真实发生过的目标类型的交通事件相关联的疑似人员信息，还可以包括与疑似人员信息的目标人员特征很相似的备选人员的人员信息，也即是扩充人员的人员信息。
在本实施例中，电子设备可以对疑似人员信息的目标人员特征以及备选人员的备选人员特征进行聚类，得到聚类结果，基于聚类结果，将对应的备选人员特征与目标人员特征所属类别相同的备选人员，确定为扩充人员，进而，基于疑似人员信息以及扩充人员的人员信息，构建得到预设预警库。这样，预设预警库不仅包括疑似人员信息，还包括扩充人员的人员信息。从而可以扩大预警范围，更加全面地针对可能发生目标交通事件对应的违章行为的人员信息和/或车辆信息进行预警，预警效果更佳。
作为本发明实施例的一种实施方式，上述疑似人员信息对应的疑似人员可以为多个。
针对这种情况，上述基于所述聚类结果，将对应的备选人员特征与所述目标人员特征所属类别相同的备选人员，确定为扩充人员的步骤，至少可以包括以下两种方式：
第一种方式：在所述目标人员特征所属的目标类别均相同的情况下，将对应的备选人员特征所属类别为所述目标类别的备选人员，确定为扩充人员。
在对疑似人员信息的目标人员特征以及备选人员的备选人员特征进行聚类得到的聚类结果中，多个疑似人员对应的目标人员特征所属的目标类别可能均相同，即为一个类别，那么说明该多个疑似人员之间是比较相似的。在这种情况下，如果某备选人员的备选人员特征所属类别也是该目标类别，说明该备选人员与该多个疑似人员之间均是比较相似的，那么该备选人员发生目标类型的交通事件对应的违章行为的可能性则是很高的，所以，电子设备可以将该备选人员确定为扩充人员。
例如，疑似人员为5个，该5个疑似人员的目标人员特征所属的类别均为目标类别A，备选人员为3个，其中，备选人员a和备选人员b的备选人员特征所属类别是目标类别A，备选人员c的备选人员特征所属类别是目标类别B。说明备选人员a和备选人员b与该5个疑似人员疑似人员之间是比较相似的，其发生目标类型的交通事件对应的违章行为的可能性是很高的，而备选人员c与该5个疑似人员疑似人员之间则不相似，其发生目标类型的交通事件对应的违章行为的可能性也就较低，因此，电子设备可以将备选人员a和备选人员b确定为扩充人员。
第二种方式：在所述目标人员特征所属的目标类别不完全相同的情况下，如果备选人员特征所属类别为所述目标类别中的任一个，将该备选人员特征对应的备选人员确定为扩充人员。
在对疑似人员信息的目标人员特征以及备选人员的备选人员特征进行聚类得到的聚类结果中，多个疑似人员对应的目标人员特征所属的目标类别可能不完全相同，可能其中一个或几个所属的目标类别相同，而与其他的疑似人员对应的目标人员特征所属的目标类别不同，说明该多个疑似人员之间虽然不是均比较相似。由于其均是疑似人员，所以说明虽然多个疑似人员可能各自存在不同的特点，但是均发生过目标类型的交通事件对应的违章行为。
在这种情况下，如果某备选人员的备选人员特征所属类别为目标类别中的任一个，则说明该备选人员与该目标类别对应的疑似人员是比较相似的，而无论其与哪种目标类别对应的疑似人员比较相似，均说明其可能发生目标类型的交通事件对应的违章行为，所以，电子设备可以将该备选人员确定为扩充人员。
例如，疑似人员为5个，该5个疑似人员的目标人员特征所属的类别均为目标类别C、目标类别D和目标类别E，备选人员为6个，其中，备选人员d和备选人员e的备选人员特征所属类别是目标类别C，备选人员f的备选人员特征所属类别是目标类别E，备选人员g的备选人员特征所属类别是目标类别D。电子设备可以将备选人员d、备选人员e、备选人员f以及备选人员g确定为扩充人员。
在本实施例中，在目标人员特征所属的目标类别均相同的情况下，电子设备可以将对应的备选人员特征所属类别为目标类别的备选人员，确定为扩充人员；在目标人员特征所属的目标类别不完全相同的情况下，如果备选人员特征所属类别为目标类别中的任一个，电子设备可以将该备选人员特征对应的备选人员确定为扩充人员。无论在何种情况下，电子设备均可以准确确定扩充人员，以保证后续可以扩大预警范围，更加全面地针对可能发生目标交通事件对应的违章行为的人员和/或车辆进行预警，进一步提升预警效果。
作为本发明实施例的一种实施方式，上述目标人员特征至少可以包括疑似人员所关联的人员扣分特征或车辆扣分特征；备选人员特征至少可以包括备选人员所关联的人员扣分特征或车辆扣分特征。
由于交通事件预警针对是代扣分行为等存在扣分的违章行为，所以为了进一步准确确定扩充人员，上述疑似人员信息的目标人员特征至少可以包括疑似人员所关联的人员扣分特征或车辆扣分特征，例如，每个记分周期内扣分数、违章处理车辆数、违章次数、违章处理时间距离年检日期、扣分日期距清分日期时间等特征。
同理的，为了保证聚类结果的准确性，备选人员的备选人员特征至少可以包括备选人员所关联的人员扣分特征或车辆扣分特征，例如，每个记分周期内扣分数、违章处理车辆数、违章次数、违章处理时间距离年检日期、扣分日期距清分日期时间等特征。
在本实施例中，目标人员特征至少包括疑似人员所关联的人员扣分特征或车辆扣分特征，备选人员特征至少包括备选人员所关联的人员扣分特征或车辆扣分特征，由于人员扣分特征或车辆扣分特征可以准确表征对应的人员的违章扣分情况，因此，基于这样的目标人员特征和备选人员特征确定的扩充人员即为发生代扣分行为等违章扣分行为的可能性较高的人员，进一步提升预警效果和准确度。
作为本发明实施例的一种实施方式，上述对所述疑似人员信息的目标人员特征以及备选人员的备选人员特征进行聚类，得到聚类结果的步骤，可以包括：
将所述疑似人员信息的目标人员特征以及备选人员的备选人员特征输入预设机器学习模型，以使所述预设机器学习模型基于聚类算法对所述疑似人员信息的目标人员特征以及备选人员的备选人员特征进行聚类，得到聚类结果。
为了提高聚类处理的效率，电子设备可以使用机器学习模型，基于聚类算法对疑似人员信息的目标人员特征以及备选人员的备选人员特征进行聚类，得到聚类结果，从而扩充疑似人员信息。
电子设备可以将疑似人员信息的目标人员特征以及备选人员的备选人员特征输入预设机器学习模型，进而预设机器学习模型便可以基于聚类算法，对疑似人员信息的目标人员特征以及备选人员的备选人员特征进行聚类分析，从而与疑似人员信息的目标人员特征较为一致的备选人员特征可以完成聚类，得到聚类结果，预设机器学习模型可以输出该聚类结果，电子设备也就可以获取该聚类结果。
上述聚类算法可以为任意能够将疑似人员信息的目标人员特征以及备选人员的备选人员特征进行聚类的算法，例如，可以为DBSCAN(Density Based Spatial Clusteringof Application with Noise，基于密度的噪声应用空间聚类)算法等，在此不做具体限定。
在本实施例中，电子设备可以将疑似人员信息的目标人员特征以及备选人员的备选人员特征输入预设机器学习模型，以使预设机器学习模型基于聚类算法对疑似人员信息的目标人员特征以及备选人员的备选人员特征进行聚类，得到聚类结果。通过机器学习模型进行聚类分析的分析效率较快，准确性较高，电子设备可以更快速地得到准确的聚类结果，从而对疑似人员信息进行准确的扩充，进而构建内容更加全面的预警库。
作为本发明实施例的一种实施方式，如图6所示，上述方法还可以包括：
S601，获取所述工作人员对所述目标交通事件的处理结果。
工作人员在处理目标交通事件的过程中，电子设备可以获取目标交通事件所关联的事件信息，并确定事件信息是否与预设预警库包括的信息相匹配。并在事件信息与预设预警库包括的信息相匹配时，发送预警消息至工作人员。
工作人员可以基于该预警消息对目标交通事件进行处理。例如，预警消息可以为“正在办理扣分业务的驾驶员XX存在代扣分嫌疑，请认真核查”，进而工作人员可以对处理该目标交通事件的驾驶员进行详细确认与准确核查，并在确定该驾驶员存在代扣分行为时做出相应处理。工作人员可以对目标交通事件的处理结果进行记录，处理结果可以包括：预警消息无误，目标交通事件所关联的人员信息和车辆信息存在代扣分行为，或，预警消息有误，目标交通事件所关联的人员信息和车辆信息不存在代扣分行为等。电子设备则可以获取工作人员对目标交通事件的处理结果。
S602，基于所述处理结果，更新所述预设预警库包括的风险人员信息和/或风险车辆信息。
从而电子设备可以基于处理结果，更新预设预警库包括的风险人员信息和/或风险车辆信息。例如，处理结果为预警消息无误，目标交通事件所关联的人员信息和/或车辆信息存在代扣分行为时，电子设备可以将目标交通事件所关联的人员信息添加到预设预警库中，作为风险人员信息；将目标交通事件所关联的车辆信息添加到预设预警库中，作为风险车辆信息。
如果处理结果为预警消息有误，目标交通事件所关联的人员信息和/或车辆信息不存在代扣分行为时，电子设备可以将该人员信息和该车辆信息从预设预警库中删除；从而更新预设预警库包括的风险人员信息和/或风险车辆信息，提高预设预警库中包括的信息的准确度。
在一种实施方式中，工作人员可以取消预设预警库中的风险人员信息和/或风险车辆信息对应的驾驶员的交通违章事件的在线办理权限，从而对应的驾驶员针对交通违章事件必须进行线下办理，交通违章事件的线下办理流程可以如图7所示。其中，该交通违章事件的线下办理流程可以包括以下步骤A1-A8：
步骤A1，业务办理，即驾驶员选择线下业务办理。
步骤A2，违章处理，即工作人员开始处理该驾驶员的目标交通违章事件。
步骤A3，信息确认，即电子设备获取目标交通事件所关联的人员信息和/或车辆信息。
步骤A4，是否重点监管人车，即电子设备确定目标交通事件所关联的人员信息和/或车辆信息是否与预设预警库包括的信息相匹配。如果匹配，电子设备可以发送预警消息至工作人员，工作人员可以执行步骤A5；如果不匹配，工作人员可以执行步骤A8。
步骤A5，详细确认&询问核查，即工作人员可以基于接收到的预警消息，对目标交通事件所关联的人员信息和车辆信息进行详细确认，并对该驾驶员进行询问核查，以确认该驾驶员是否正在进行代扣分。
步骤A6，是否代扣分，即工作人员可以通过上述确认与核查确定确认该驾驶员是否存在代扣分行为的风险，如果是，工作人员可以执行步骤A7；如果否，工作人员可以执行A8。
步骤A7，记录反馈，即工作人员不仅办理该驾驶员的目标交通违章事件，并记录目标交通事件的处理结果，即确认该驾驶员存在代扣分行为，该处理结果用于更新预设预警库。
步骤A8，办理业务，即工作人员办理该驾驶员的目标交通违章事件。
步骤A9，结束任务。
交通违章事件的传统处理流程中，不包括步骤A4、步骤A5、步骤A6以及步骤A7，工作人员在确认目标交通事件所关联的人员信息和/或车辆信息后，即办理该驾驶员的目标交通违章事件，难以识别代扣分行为。本发明实施例的方案中，交通违章事件的线下办理流程中，增加了步骤A4、步骤A5、步骤A6以及步骤A7，也即是预警确认环节，工作人员可以接收电子设备发出的预警消息，进而对目标交通事件所关联的人员信息和/或车辆信息进行详细确认，并对该驾驶员进行询问核查，确认是否存在代扣分行为。
在一种实施方式中，电子设备可以针对预设预警库中的风险人员信息和风险车辆信息对应的驾驶员推送信息。例如，可以通过短信推送、APP消息推送等方式，告知该驾驶员由于交通违章次数较多、交通违章处理记录存在代扣分嫌疑，已停止其线上办理交通违章处理的权限，并对其进行禁止代扣分的信息提醒和警示。针对确定存在代扣分行为的驾驶员，电子设备可以通过线下办理交通违章处理处的显示设备和APP通报消息等方式，对该驾驶员的代扣分行为进行通报，从而提高对其它驾驶员的警示效果。
在本实施例中，在处理目标交通事件的过程中，电子设备可以向工作人员实时发送预警消息。也可以获取工作人员对目标交通事件的处理结果，并基于处理结果，更新预设预警库包括的风险人员信息和/或风险车辆信息。从而优化对疑似人员信息的目标人员特征以及备选人员的备选人员特征的聚类分析，通过不断迭代更新预设预警库，提高了对目标交通事件的预警准确性，进而可以更加全面地针对目标交通事件的人员信息和/或车辆信息进行预警。
下面针对代扣分(买分)场景结合图8所示的流程图对预设预警库的建立与更新过程进行说明，其中，预设预警库的建立与更新过程可以包括以下步骤B1-B12：
步骤B1，确定疑似买分车辆目标集，即电子设备按照预设车辆筛选规则，从历史交通事件信息所关联的车辆信息中，筛选出目标类型的交通事件所关联的关联车辆信息。
步骤B2，确定疑似卖分人员目标集，即电子设备按照预设人员筛选规则，从历史交通事件信息所关联的人员信息中，筛选出目标类型的交通事件所关联的关联人员信息。
步骤B3，特征积分，即电子设备基于预设积分规则及关联车辆信息包括的各维度的车辆特征，计算得到各个关联车辆信息对应的积分。
步骤B4，确定疑似买分车辆名单，即电子设备将各个关联车辆信息按照对应的积分进行排序，得到排序结果，并基于排序结果，从各个关联车辆信息中确定疑似车辆信息。
步骤B5，碰撞分析，即电子设备确定关联人员信息与疑似车辆信息所关联的人员信息的交集。
步骤B6，确定疑似卖分人员名单，即电子设备将关联人员信息与疑似车辆信息所关联的人员信息的交集，确定为疑似人员信息。
步骤B7，核心库，即电子设备构建得到包括疑似人员信息和疑似车辆信息的核心信息库。
步骤B8，机器学习聚类分析，即电子设备将疑似人员信息的目标人员特征以及备选人员的备选人员特征输入预设机器学习模型，以使预设机器学习模型基于聚类算法对疑似人员信息的目标人员特征以及备选人员的备选人员特征进行聚类，得到聚类结果。
步骤B9，扩充后的重点监管人车库，即电子设备基于聚类结果，将对应的备选人员特征与目标人员特征所属类别相同的备选人员，确定为扩充人员。并根据疑似人员信息、扩充人员的人员信息和疑似车辆信息，构建得到预设预警库。
步骤B10，疑似代扣分实时预警，即电子设备确定目标交通事件所关联的人员信息与风险人员信息相匹配，和/或，车辆信息与风险车辆信息相匹配时，发送预警消息至工作人员。
步骤B11，预警信息反馈，即电子设备获取工作人员对目标交通事件的处理结果。
步骤B12，数据更新，即电子设备基于处理结果，更新预设预警库包括的风险人员信息和/或风险车辆信息。
在本实施例中，预设预警库可以基于疑似人员信息、扩充人员的人员信息和疑似车辆信息构建得到，并且通过不断迭代更新疑似人员信息和疑似车辆信息，更新预设预警库，进而提高对目标交通事件的的预警准确性。
相应于上述交通事件的预警方法，本发明实施例还提供了一种交通事件的预警装置，下面对本发明实施例所提供的一种交通事件的预警装置进行介绍。
如图9所示，一种交通事件的预警装置，所述装置包括：
信息获取模块901，用于获取目标交通事件所关联的事件信息；
其中，所述事件信息包括人员信息和/或车辆信息。
信息匹配模块902，用于确定所述事件信息是否与预设预警库包括的信息相匹配；
其中，所述预设预警库预先基于历史交通事件信息建立，所述预设预警库包括风险人员信息和/或风险车辆信息。
预警消息发送模块903，用于如果所述人员信息与所述风险人员信息相匹配，和/或，所述车辆信息与所述风险车辆信息相匹配，发送预警消息至工作人员。
可见，本发明实施例提供的方案中，电子设备可以获取目标交通事件所关联的事件信息，其中，事件信息包括人员信息和/或车辆信息，确定事件信息是否与预设预警库包括的信息相匹配，其中，预设预警库预先基于历史交通事件信息建立，可以包括风险人员信息和/或风险车辆信息。进而如果人员信息与风险人员信息相匹配，和/或，车辆信息与风险车辆信息相匹配，可以发送预警消息至工作人员。由于预设预警库是基于历史交通事件信息建立的，包括与历史交通事件相关联的风险人员信息和/或风险车辆信息，因此，可以基于目标交通事件所关联的事件信息与预设预警库中信息的匹配情况，发现存在风险的人员和/ 或车辆，进而，向处理交通违章事件的工作人员进行预警。
作为本发明实施例的一种实施方式，上述装置还可以包括预警库建立模块，如图10所示，上述预警库建立模块可以包括：
车辆信息筛选单元1001，用于按照预设车辆筛选规则，从所述历史交通事件信息所关联的车辆信息中，筛选出目标类型的交通事件所关联的关联车辆信息；
其中，所述预设车辆筛选规则基于所述目标类型的交通事件对应的车辆扣分规律设定。
积分计算单元1002，用于基于预设积分规则及所述关联车辆信息包括的各维度的车辆特征，计算得到各个关联车辆信息对应的积分。
排序单元1003，用于将所述各个关联车辆信息按照对应的积分进行排序，得到排序结果。
疑似车辆信息确定单元1004，用于基于所述排序结果，从所述各个关联车辆信息中确定疑似车辆信息。
第一预警库构建单元1005，用于基于所述疑似车辆信息构建得到所述预设预警库。
作为本发明实施例的一种实施方式，如图11所示，上述预警库建立模块可以包括：
人员信息筛选单元1101，用于按照预设人员筛选规则，从所述历史交通事件信息所关联的人员信息中，筛选出目标类型的交通事件所关联的关联人员信息；
其中，所述预设人员筛选规则基于所述目标类型的交通事件对应的人员扣分规律设定。
疑似人员信息确定单元1102，用于将所述关联人员信息与疑似车辆信息所关联的人员信息的交集，确定为疑似人员信息；
其中，所述疑似车辆信息为从所述历史交通事件信息所关联的车辆信息中筛选得到的。
第二预警库构建单元1103，用于基于所述疑似人员信息构建得到所述预设预警库。
作为本发明实施例的一种实施方式，上述预警库建立模块还可以包括：
信息聚类单元，用于对所述疑似人员信息的目标人员特征以及备选人员的备选人员特征进行聚类，得到聚类结果。
人员扩充单元，用于基于所述聚类结果，将对应的备选人员特征与所述目标人员特征所属类别相同的备选人员，确定为扩充人员。
第三预警库构建单元，用于基于所述疑似人员信息以及所述扩充人员的人员信息，构建得到所述预设预警库。
作为本发明实施例的一种实施方式，上述疑似人员信息对应的疑似人员可以为多个，上述人员扩充单元可以包括：
人员扩充子单元，用于在所述目标人员特征所属的目标类别均相同的情况下，将对应的备选人员特征所属类别为所述目标类别的备选人员，确定为扩充人员；或，用于在所述目标人员特征所属的目标类别不完全相同的情况下，如果备选人员特征所属类别为所述目标类别中的任一个，将该备选人员特征对应的备选人员确定为扩充人员。
作为本发明实施例的一种实施方式，上述目标人员特征至少可以包括上述疑似人员所关联的人员扣分特征或车辆扣分特征；
上述备选人员特征至少可以包括上述备选人员所关联的人员扣分特征或车辆扣分特征。
本发明实施例还提供了一种电子设备，如图12所示，包括处理器1201、通信接口1202、存储器1203和通信总线1204，其中，处理器1201，通信接口1202，存储器1203通过通信总线1204完成相互间的通信，
存储器1203，用于存放计算机程序；
处理器1201，用于执行存储器1203上所存放的程序时，实现上述任一实施例所述的方法步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA) 总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor， DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例所述的方法的步骤。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一实施例所述的方法步骤。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质 (例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、计算机可读存储介质以及计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种交通事件的预警方法，其特征在于，所述方法包括：
获取目标交通事件所关联的事件信息，其中，所述事件信息包括人员信息和/或车辆信息；
确定所述事件信息是否与预设预警库包括的信息相匹配，其中，所述预设预警库预先基于历史交通事件信息建立，所述预设预警库包括风险人员信息和/或风险车辆信息；
如果所述人员信息与所述风险人员信息相匹配，和/或，所述车辆信息与所述风险车辆信息相匹配，发送预警消息至工作人员。
2.根据权利要求1所述方法，其特征在于，所述预设预警库的建立方式，包括：
按照预设车辆筛选规则，从所述历史交通事件信息所关联的车辆信息中，筛选出目标类型的交通事件所关联的关联车辆信息，其中，所述预设车辆筛选规则基于所述目标类型的交通事件对应的车辆扣分规律设定；
基于预设积分规则及所述关联车辆信息包括的各维度的车辆特征，计算得到各个关联车辆信息对应的积分；
将所述各个关联车辆信息按照对应的积分进行排序，得到排序结果；
基于所述排序结果，从所述各个关联车辆信息中确定疑似车辆信息；
基于所述疑似车辆信息构建得到所述预设预警库。
3.根据权利要求1所述方法，其特征在于，所述预设预警库的建立方式，包括：
按照预设人员筛选规则，从所述历史交通事件信息所关联的人员信息中，筛选出目标类型的交通事件所关联的关联人员信息，其中，所述预设人员筛选规则基于所述目标类型的交通事件对应的人员扣分规律设定；
将所述关联人员信息与疑似车辆信息所关联的人员信息的交集，确定为疑似人员信息，其中，所述疑似车辆信息为从所述历史交通事件信息所关联的车辆信息中筛选得到的；
基于所述疑似人员信息构建得到所述预设预警库。
4.根据权利要求3所述方法，其特征在于，所述预设预警库的建立方式，还包括：
对所述疑似人员信息的目标人员特征以及备选人员的备选人员特征进行聚类，得到聚类结果；
基于所述聚类结果，将对应的备选人员特征与所述目标人员特征所属类别相同的备选人员，确定为扩充人员；
基于所述疑似人员信息以及所述扩充人员的人员信息，构建得到所述预设预警库。
5.根据权利要求4所述方法，其特征在于，所述疑似人员信息对应的疑似人员为多个；
所述基于所述聚类结果，将对应的备选人员特征与所述目标人员特征所属类别相同的备选人员，确定为扩充人员的步骤，包括：
在所述目标人员特征所属的目标类别均相同的情况下，将对应的备选人员特征所属类别为所述目标类别的备选人员，确定为扩充人员；或，
在所述目标人员特征所属的目标类别不完全相同的情况下，如果备选人员特征所属类别为所述目标类别中的任一个，将该备选人员特征对应的备选人员确定为扩充人员。
6.根据权利要求4或5所述方法，其特征在于，所述目标人员特征至少包括所述疑似人员所关联的人员扣分特征或车辆扣分特征；
所述备选人员特征至少包括所述备选人员所关联的人员扣分特征或车辆扣分特征。
7.一种交通事件的预警装置，其特征在于，所述装置包括：
信息获取模块，用于获取目标交通事件所关联的事件信息，其中，所述事件信息包括人员信息和/或车辆信息；
信息匹配模块，用于确定所述事件信息是否与预设预警库包括的信息相匹配，其中，所述预设预警库预先基于历史交通事件信息建立，所述预设预警库包括风险人员信息和/或风险车辆信息；
预警消息发送模块，用于如果所述人员信息与所述风险人员信息相匹配，和/或，所述车辆信息与所述风险车辆信息相匹配，发送预警消息至工作人员。
8.根据权利要求7所述装置，其特征在于，所述装置还包括预警库建立模块，所述预警库建立模块包括：
车辆信息筛选单元，用于按照预设车辆筛选规则，从所述历史交通事件信息所关联的车辆信息中，筛选出目标类型的交通事件所关联的关联车辆信息，其中，所述预设车辆筛选规则基于所述目标类型的交通事件对应的车辆扣分规律设定；
积分计算单元，用于基于预设积分规则及所述关联车辆信息包括的各维度的车辆特征，计算得到各个关联车辆信息对应的积分；
排序单元，用于将所述各个关联车辆信息按照对应的积分进行排序，得到排序结果；
疑似车辆信息确定单元，用于基于所述排序结果，从所述各个关联车辆信息中确定疑似车辆信息；
第一预警库构建单元，用于基于所述疑似车辆信息构建得到所述预设预警库；
所述预警库建立模块包括：
人员信息筛选单元，用于按照预设人员筛选规则，从所述历史交通事件信息所关联的人员信息中，筛选出目标类型的交通事件所关联的关联人员信息，其中，所述预设人员筛选规则基于所述目标类型的交通事件对应的人员扣分规律设定；
疑似人员信息确定单元，用于将所述关联人员信息与疑似车辆信息所关联的人员信息的交集，确定为疑似人员信息，其中，所述疑似车辆信息为从所述历史交通事件信息所关联的车辆信息中筛选得到的；
第二预警库构建单元，用于基于所述疑似人员信息构建得到所述预设预警库；
所述预警库建立模块还包括：
信息聚类单元，用于对所述疑似人员信息的目标人员特征以及备选人员的备选人员特征进行聚类，得到聚类结果；
人员扩充单元，用于基于所述聚类结果，将对应的备选人员特征与所述目标人员特征所属类别相同的备选人员，确定为扩充人员；
第三预警库构建单元，用于基于所述疑似人员信息以及所述扩充人员的人员信息，构建得到所述预设预警库；
所述疑似人员信息对应的疑似人员为多个，所述人员扩充单元包括：
人员扩充子单元，用于在所述目标人员特征所属的目标类别均相同的情况下，将对应的备选人员特征所属类别为所述目标类别的备选人员，确定为扩充人员；或，用于在所述目标人员特征所属的目标类别不完全相同的情况下，如果备选人员特征所属类别为所述目标类别中的任一个，将该备选人员特征对应的备选人员确定为扩充人员；
所述目标人员特征至少包括所述疑似人员所关联的人员扣分特征或车辆扣分特征；
所述备选人员特征至少包括所述备选人员所关联的人员扣分特征或车辆扣分特征。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-6任一所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
CN202211027493.9A 2022-08-25 2022-08-25 一种交通事件的预警方法、装置、电子设备及存储介质 Active CN115440035B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211027493.9A CN115440035B (zh) 2022-08-25 2022-08-25 一种交通事件的预警方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211027493.9A CN115440035B (zh) 2022-08-25 2022-08-25 一种交通事件的预警方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN115440035A true CN115440035A (zh) 2022-12-06
CN115440035B CN115440035B (zh) 2023-07-07

Family

ID=84244409

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211027493.9A Active CN115440035B (zh) 2022-08-25 2022-08-25 一种交通事件的预警方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115440035B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104464289A (zh) * 2014-12-04 2015-03-25 赵常维 一种车辆违章时驾驶信息的识别方法
US20150302744A1 (en) * 2013-09-18 2015-10-22 Shihao Lin Real time notification and confirmation system and method for vehicle traffic violation technical field
CN108446626A (zh) * 2018-03-16 2018-08-24 佛山市洁宇信息科技有限公司 一种智能违章处理系统及其方法
CN108694509A (zh) * 2018-05-15 2018-10-23 平安科技（深圳）有限公司 车辆驾驶的监控方法、装置、设备及计算机可读存储介质
CN109101875A (zh) * 2018-06-22 2018-12-28 上海市保安服务总公司 基于人脸识别的买卖分违法行为查处系统
CN110555997A (zh) * 2018-06-01 2019-12-10 触信（厦门）智能科技有限公司 一种区块链车辆行车管理系统及方法
CN110826848A (zh) * 2019-09-19 2020-02-21 安徽百诚慧通科技有限公司 基于层次分析法的驾驶人风险评估方法
CN112927407A (zh) * 2019-12-05 2021-06-08 杭州海康威视数字技术股份有限公司 车辆使用人员的检测方法及检测系统
CN112989069A (zh) * 2021-05-10 2021-06-18 苏州博宇鑫交通科技有限公司 一种基于知识图谱与区块链的交通违章分析方法
CN113111739A (zh) * 2021-03-26 2021-07-13 南京市德赛西威汽车电子有限公司 一种基于v2x的人车匹配违章认证方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150302744A1 (en) * 2013-09-18 2015-10-22 Shihao Lin Real time notification and confirmation system and method for vehicle traffic violation technical field
CN104464289A (zh) * 2014-12-04 2015-03-25 赵常维 一种车辆违章时驾驶信息的识别方法
CN108446626A (zh) * 2018-03-16 2018-08-24 佛山市洁宇信息科技有限公司 一种智能违章处理系统及其方法
CN108694509A (zh) * 2018-05-15 2018-10-23 平安科技（深圳）有限公司 车辆驾驶的监控方法、装置、设备及计算机可读存储介质
CN110555997A (zh) * 2018-06-01 2019-12-10 触信（厦门）智能科技有限公司 一种区块链车辆行车管理系统及方法
CN109101875A (zh) * 2018-06-22 2018-12-28 上海市保安服务总公司 基于人脸识别的买卖分违法行为查处系统
CN110826848A (zh) * 2019-09-19 2020-02-21 安徽百诚慧通科技有限公司 基于层次分析法的驾驶人风险评估方法
CN112927407A (zh) * 2019-12-05 2021-06-08 杭州海康威视数字技术股份有限公司 车辆使用人员的检测方法及检测系统
CN113111739A (zh) * 2021-03-26 2021-07-13 南京市德赛西威汽车电子有限公司 一种基于v2x的人车匹配违章认证方法
CN112989069A (zh) * 2021-05-10 2021-06-18 苏州博宇鑫交通科技有限公司 一种基于知识图谱与区块链的交通违章分析方法

Also Published As

Publication number Publication date
CN115440035B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
Karagoz et al. A novel intuitionistic fuzzy MCDM-based CODAS approach for locating an authorized dismantling center: a case study of Istanbul
Tixier et al. Automated content analysis for construction safety: A natural language processing system to extract precursors and outcomes from unstructured injury reports
Yu et al. Probabilistic prediction of bus headway using relevance vector machine regression
CN103294592B (zh) 利用用户工具交互来自动分析其服务交付中的缺陷的方法与系统
CN108062674B (zh) 基于gps的订单欺诈识别方法、系统、存储介质和电子设备
US20150332411A1 (en) Insurance Claims and Rate Evasion Fraud System Based Upon Vehicle History
US20130036038A1 (en) Financial activity monitoring system
CN110689438A (zh) 企业类金融风险评分方法、装置、计算机设备及存储介质
US20200211020A1 (en) Systems and methods for improved detection of network fraud events
US20200211019A1 (en) Systems and methods for improved detection of network fraud events
Lin et al. Examining association between construction inspection grades and critical defects using data mining and fuzzy logic
Scott et al. The consequences of self‐reporting biases: Evidence from the crash preventability program
CN111461266B (zh) 一种车辆定损异常识别方法、装置、服务器以及存储介质
CN108737138B (zh) 服务提供方法及服务平台
Liu et al. Predicting interstate motor carrier crash rate level using classification models
Verma et al. Forecasting occupational safety performance and mining text-based association rules for incident occurrences
CN111639213B (zh) 一种异常行为的识别方法及装置
US20210097635A1 (en) Continuous Background Check Monitoring
US20210049526A1 (en) Risk analysis through mapping
CN115440035A (zh) 一种交通事件的预警方法、装置、电子设备及存储介质
KR102086688B1 (ko) 블록체인을 이용한 차량 정보 활용 시스템
KR102167461B1 (ko) 블록체인을 이용한 차량 관리 시스템
JP2008040847A (ja) ルール評価システム
CN114581215A (zh) 一种基于大数据的企业信用状态标识构建方法
CN112749239A (zh) 一种事件图谱构建方法、装置及计算设备

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