CN115938128B - 交通事故预测方法、装置、终端及存储介质 - Google Patents

Abstract

本发明提供一种交通事故预测方法、装置、终端及存储介质。该方法包括：确定车辆发生交通事故的可能时刻；获取可能时刻前第一预设时长内的第一车辆数据和可能时刻后第二预设时长内的第二车辆数据；基于第一车辆数据，提取用于进行交通事故预测的第一特征数据；基于第二车辆数据，提取用于进行交通事故预测的第二特征数据；将第一特征数据和第二特征数据输入预先训练好的交通事故预测模型中，得到交通事故发生概率；若交通事故发生概率大于预设概率阈值，则预测在可能时刻发生交通事故。本发明可基于发生交通事故的可能时刻的前后各一段时间内的车辆数据，准确预测在该可能时刻是否发生交通事故，可以适用于商用车等中型或大型车辆。

Description

交通事故预测方法、装置、终端及存储介质

技术领域

本发明涉及安全驾驶技术领域，尤其涉及一种交通事故预测方法、装置、终端及存储介质。

背景技术

车辆在日常行驶中，会面临各种路况。由于路况的复杂性，车辆随时可能因为各种原因而发生交通事故。当发生交通事故后，由于驾驶员不是专业的理赔人员，无法正确处理突发事故以及保存证据，且可能会延迟报案，从而可能带来不必要的纠纷和损失。因此，如何准确了解车辆的出险情况，对减少纠纷和损失是十分必要的。

准确了解车辆的出险情况的前提是准确预测车辆是否发生交通事故。目前，通常是仅基于陀螺仪设备监测的实时数据预测车辆当前是否发生交通事故。然而，陀螺仪设备仅能对发生翻车等比较剧烈的交通事故进行准确预测，而商用车等中型或大型车辆在发生交通事故时，通常车辆本身不会发生剧烈晃动甚至翻车的情况，因此，现有方法无法准确预测商用车等中型或大型车辆的交通事故。

发明内容

本发明实施例提供了一种交通事故预测方法、装置、终端及存储介质，以解决目前无法准确预测商用车等中型或大型车辆的交通事故的问题。

第一方面，本发明实施例提供了一种交通事故预测方法，包括：

确定车辆发生交通事故的可能时刻；

获取可能时刻前第一预设时长内的第一车辆数据和可能时刻后第二预设时长内的第二车辆数据；

基于第一车辆数据，提取用于进行交通事故预测的第一特征数据；

基于第二车辆数据，提取用于进行交通事故预测的第二特征数据；

将第一特征数据和第二特征数据输入预先训练好的交通事故预测模型中，得到交通事故发生概率；

若交通事故发生概率大于预设概率阈值，则预测在可能时刻发生交通事故。

在一种可能的实现方式中，第一特征数据包括可能时刻前第三预设时长内的平均减速度、第一预设时长内的驾驶员行为报警次数、第一预设时长内的平均车速以及可能时刻前第四预设时长内的横滚角方差中的至少一种；第三预设时长和第四预设时长均小于第一预设时长；

第二特征数据包括第二预设时长内的行驶里程、第二预设时长内的双闪灯状态以及第二预设时长内的驾驶员行为报警次数中的至少一种。

在一种可能的实现方式中，在将第一特征数据和第二特征数据输入预先训练好的交通事故预测模型中，得到交通事故发生概率之前，交通事故预测方法还包括：

判断第一特征数据和/或第二特征数据是否满足预设筛选条件；

相应地，将第一特征数据和第二特征数据输入预先训练好的交通事故预测模型中，得到交通事故发生概率，包括：

若第一特征数据和/或第二特征数据满足预设筛选条件，则将第一特征数据和第二特征数据输入预先训练好的交通事故预测模型中，得到交通事故发生概率；

其中，预设筛选条件包括可能时刻前第三预设时长内的平均减速度大于预设减速度阈值、第一预设时长内的驾驶员行为报警次数在第一预设次数范围内、第一预设时长内的平均车速在预设车速范围内、可能时刻前第四预设时长内的横滚角方差在预设方差范围内、第二预设时长内的行驶里程在预设里程范围内、第二预设时长内的双闪灯状态为预设状态以及第二预设时长内的驾驶员行为报警次数在第二预设次数范围内中的至少一种。

在一种可能的实现方式中，在预测在可能时刻发生交通事故之后，交通事故预测方法还包括：

获取可能时刻前第五预设时长至可能时刻后第六预设时长内的前向视频和驾驶室视频；

将前向视频、驾驶室视频和特征标签发送至人工审核平台，以使工作人员通过人工审核平台确认是否发生交通事故，并在确认发生交通事故后，启动交通事故处理流程；特征标签包括第一特征数据和/或第二特征数据。

在一种可能的实现方式中，第一车辆数据包括车辆的自动紧急刹车系统AEB、定位模块和驾驶员监控系统DMS在第一预设时长内采集的数据；

第二车辆数据包括车辆的自动紧急刹车系统AEB、定位模块和驾驶员监控系统DMS在第二预设时长内采集的数据。

在一种可能的实现方式中，交通事故预测模型为极端梯度提升XGBoost模型。

在一种可能的实现方式中，确定车辆发生交通事故的可能时刻，包括：

将车辆紧急刹车至静止的时刻作为车辆发生交通事故的可能时刻。

第二方面，本发明实施例提供了一种交通事故预测装置，包括：

时刻确定模块，用于确定车辆发生交通事故的可能时刻；

数据获取模块，用于获取可能时刻前第一预设时长内的第一车辆数据和可能时刻后第二预设时长内的第二车辆数据；

第一特征提取模块，用于基于第一车辆数据，提取用于进行交通事故预测的第一特征数据；

第二特征提取模块，用于基于第二车辆数据，提取用于进行交通事故预测的第二特征数据；

事故发生概率确定模块，用于将第一特征数据和第二特征数据输入预先训练好的交通事故预测模型中，得到交通事故发生概率；

预测模块，用于若交通事故发生概率大于预设概率阈值，则预测在可能时刻发生交通事故。

第三方面，本发明实施例提供了一种终端，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行如上第一方面或第一方面的任一种可能的实现方式所述的交通事故预测方法。

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存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述的交通事故预测方法的步骤。

本发明实施例提供一种交通事故预测方法、装置、终端及存储介质，通过对车辆发生交通事故的可能时刻前第一预设时长内的第一车辆数据和该可能时刻后第二预设时长内的第二车辆数据进行特征提取，分别得到第一特征数据和第二特征数据，并将第一特征数据和第二特征数据输入预先训练好的交通事故预测模型中，得到交通事故发生概率，以及在交通事故发生概率大于预设概率阈值时，预测在可能时刻发生交通事故，与现有技术相比，本发明实施例增加了可能时刻后第二预设时长内的第二车辆数据提取到的第二特征数据进行交通事故预测，基于第一特征数据和第二特征数据共同进行交通事故预测，能够提高预测准确性，可以适用于商用车等中型或大型车辆。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的交通事故预测方法的流程示意图；

图2是本发明实施例提供的交通事故预测装置的结构示意图；

图3是本发明实施例提供的终端的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。

参见图1，其示出了本发明实施例提供的交通事故预测方法的实现流程图。交通事故预测方法的执行主体可以是车载终端，也可以是远端服务器，本实施例对其并不进行限定。该方法可以适用在商用车上，也可以适用在乘用车上。典型地，本发明实施例适用于在车辆发生事故后，基于已行驶的车辆数据，对车辆的交通事故进行跟踪，以确定是否需联系驾驶员，帮助驾驶员进行事故处理，进而能够准确了解车辆的出险情况的场景。

参见图1，上述交通事故预测方法包括：

在S101中，确定车辆发生交通事故的可能时刻。

由于车辆发生交通事故后通常处于静止状态，因此，车辆发生交通事故的可能时刻通常是指车辆由运动状态切换为静止状态的时刻。

在S102中，获取可能时刻前第一预设时长内的第一车辆数据和可能时刻后第二预设时长内的第二车辆数据。

其中，第一车辆数据和第二车辆数据可以包括可用于对是否发生交通事故进行预测的车辆和/或驾驶员相关的数据。

可能时刻前第一预设时长内的第一车辆数据是指在该可能时刻之前，且距离该可能时刻第一预设时长内的第一车辆数据，即第一时刻到该可能时刻之间的第一车辆数据，第一时刻至该可能时刻的时长为第一预设时长。第一时刻在该可能时刻之前。

可能时刻后第二预设时长内的第二车辆数据是这在该可能时刻之后，且距离该可能时刻第二预设时长内的第二车辆数据，即该可能时刻至第二时刻之间的第二车辆数据，该可能时刻至第二时刻的时长为第二预设时长。第二时刻在该可能时刻之后。

其中，可能时刻可以包含在第一预设时长内，或者，可以包含在第二预设时长内。

第一预设时长和第二预设时长的具体取值可以根据实际需求或具体实验确定。示例性地，第一预设时长可以为5分钟，第二预设时长可以为15分钟，等等。

需要说明的是，为了避免长时间无法判断在该可能时刻是否发生交通事故，第一预设时长和第二预设时长的具体时长不可过长。

在一些可能的实现方式中，第一预设时长可以小于第二预设时长。

本实施例对可能时刻前第一预设时长内的第一车辆数据和可能时刻后第二预设时长内的第二车辆数据的获取手段不做具体限制，任何可实现的手段均可。

示例性地，可以通过车辆内的相关设备按照一定频率采集车辆数据，并将采集的车辆数据上传至终端。当终端需要获取某一时间段内的车辆数据，则可以直接提取该时间段内的车辆数据。其中，数据采集频率可以根据实际需求进行设置，比如可以为1秒/次。

在S103中，基于第一车辆数据，提取用于进行交通事故预测的第一特征数据。

通过对第一车辆数据进行特征提取，可以得到用于进行交通事故预测的第一特征数据，即发生交通事故的可能时刻之前的特征数据。

在一些可能的实现方式中，在对第一车辆数据进行特征提取前，可采用一些现有方法对第一车辆数据进行数据清洗，然后对数据清洗后的第一车辆数据进行特征提取，得到第一特征数据。

在S104中，基于第二车辆数据，提取用于进行交通事故预测的第二特征数据。

通过对第二车辆数据进行特征提取，可以得到用于进行交通事故预测的第二特征数据，即发生交通事故的可能时刻之后的特征数据。

其中，第一特征数据和第二特征数据具体包括哪些特征的数据，可以对同类型车辆历史发生交通事故时的前后一定时间段的车辆数据进行统计分析确定。需要说明的是，不同类型的车辆，对应的第一车辆数据、第二车辆数据、第一特征数据和第二特征数据可不同。

第一特征数据对应的各特征和第二特征数据对应的各特征均是对交通事故进行预测所需的必要特征。

本实施例对基于第一车辆数据，提取用于进行交通事故预测的第一特征数据，以及基于第二车辆数据，提取用于进行交通事故预测的第二特征数据的实现手段不做具体限制，任何可实现的手段均可。

在一些可能的实现方式中，在对第二车辆数据进行特征提取前，可采用一些现有方法对第二车辆数据进行数据清洗，然后对数据清洗后的第二车辆数据进行特征提取，得到第二特征数据。

在S105中，将第一特征数据和第二特征数据输入预先训练好的交通事故预测模型中，得到交通事故发生概率。

预先训练好的交通事故预测模型的输入为第一特征数据和第二特征数据，输出为该可能时刻的交通事故发生概率。

本实施例对交通事故预测模型的结构不做具体限制，比如，交通事故预测模型可以为神经网络模型、决策树模型、随机森林模型或XGBoost（eXtreme Gradient Boosting，极端梯度提升）模型等等。

在上述S105之前，上述交通事故预测方法还包括：

获取训练样本；训练样本包括多个样本，每个样本均包括对应的特征数据和交通事故发生概率；

基于所述训练样本，对预先构建的交通事故预测模型进行训练，得到上述预先训练好的交通事故预测模型。

本实施例对交通事故预测模型的训练方法不做具体限制。

在一些可能的实现方式中，在提取到第一特征数据和第二特征数据之后，可以将第一特征数据和第二特征数据保存在准实时的驾驶行为特征因子库中。当终端需要使用第一特征数据和第二特征数据时，可通过实时调度任务，从该驾驶行为特征因子库中读取。

在S106中，若交通事故发生概率大于预设概率阈值，则预测在可能时刻发生交通事故。

其中，预设概率阈值的取值可根据具体实验确定。预设概率阈值的取值越高，交通事故预测的准确性就越高，但同时交通事故预测模型的召回率就会下降，因此需要两者之间保持平衡。通常情况下，预设概率阈值的取值满足在较高准确率的情况下，召回率在50%左右。

在本实施例中，若上述预先训练好的交通事故预测模型输出的交通事故发生概率大于预设概率阈值，则预测在上述可能时刻发生了交通事故，可进一步启动交通事故处理流程等；若上述交通事故发生概率小于或等于预设概率阈值，则预测在上述可能时刻未发生交通事故，可能仅仅是简单的停车，无需进一步启动事故处理流程等。

本实施例通过对车辆发生交通事故的可能时刻前第一预设时长内的第一车辆数据和该可能时刻后第二预设时长内的第二车辆数据进行特征提取，分别得到第一特征数据和第二特征数据，并将第一特征数据和第二特征数据输入预先训练好的交通事故预测模型中，得到交通事故发生概率，以及在交通事故发生概率大于预设概率阈值时，预测在可能时刻发生交通事故，与现有技术相比，本发明实施例增加了可能时刻后第二预设时长内的第二车辆数据提取到的第二特征数据进行交通事故预测，基于第一特征数据和第二特征数据共同进行交通事故预测，能够提高预测准确性，可以适用于商用车等中型或大型车辆。

需要说明的是，上述交通事故预测方法不仅适用于商用车等中大型车辆，还可以适用于乘用车等中小型车辆。

在一些实施例中，第一特征数据包括可能时刻前第三预设时长内的平均减速度、第一预设时长内的驾驶员行为报警次数、第一预设时长内的平均车速以及可能时刻前第四预设时长内的横滚角方差中的至少一种；第三预设时长和第四预设时长均小于第一预设时长；

第二特征数据包括第二预设时长内的行驶里程、第二预设时长内的双闪灯状态以及第二预设时长内的驾驶员行为报警次数中的至少一种。

其中，可能时刻前第三预设时长内的平均减速度是指在该可能时刻之前，且距离该可能时刻第三预设时长内的平均减速度，即第三时刻到该可能时刻之间的平均减速度，第三时刻至该可能时刻的时长为第三预设时长。第三时刻在该可能时刻之前。

可能时刻前第四预设时长内的横滚角方差是指在该可能时刻之前，且距离该可能时刻第四预设时长内的横滚角方差，即第四时刻到该可能时刻之间的横滚角方差，第四时刻至该可能时刻的时长为第四预设时长。第四时刻在该可能时刻之前。

第三预设时长是一个较短时长，是车辆紧急刹车所需时间，通常为几秒，可以根据实际需求或相关实验确定。示例性地，第三预设时长为5秒。

第一预设时长内的驾驶员行为报警次数是通过车辆内安装的DMS（DriverMonitor System，驾驶员监控系统）在第一预设时长内反馈的驾驶员行为报警统计得到的。在驾驶员做出一些违反交通规则或影响驾驶的行为时，DMS会进行驾驶员行为报警，比如，驾驶员疲劳驾驶、接打电话等等。第二预设时长内的驾驶员行为报警次数与第一预设时长内的驾驶员行为报警次数类似，只是不同时间段内的驾驶员行为报警次数。

第四预设时长也是一个较短时长，可以根据实际需求或相关实验确定。示例性地，第四预设时长为10秒。

预设减速度阈值可以为紧急刹车时的减速度，可以根据实际需求或相关实验确定。示例性地，预设减速度阈值可以为2km/h/s。

第一预设次数范围、预设车速范围、预设方差范围和第二预设次数范围均可根据实际需求或相关实验确定，在此不做具体限制。

通常车辆在发生交通事故后的一段时间内的行驶里程为0或接近0，因此预设里程范围可以为接近0的范围，可根据实际需求设置，比如可以为0-5米等。

通常车辆在发生交通事故后，驾驶员会打开双闪灯，因此预设状态为开启状态。

在一些实施例中，在上述S105之前，上述交通事故预测方法还可以包括：

判断第一特征数据和/或第二特征数据是否满足预设筛选条件；

相应地，上述S105可以包括：

若第一特征数据和/或第二特征数据满足预设筛选条件，则将第一特征数据和第二特征数据输入预先训练好的交通事故预测模型中，得到交通事故发生概率；

其中，预设筛选条件包括可能时刻前第三预设时长内的平均减速度大于预设减速度阈值、第一预设时长内的驾驶员行为报警次数在第一预设次数范围内、第一预设时长内的平均车速在预设车速范围内、可能时刻前第四预设时长内的横滚角方差在预设方差范围内、第二预设时长内的行驶里程在预设里程范围内、第二预设时长内的双闪灯状态为预设状态以及第二预设时长内的驾驶员行为报警次数在第二预设次数范围内中的至少一种。

车辆发生较大交通事故之前的一小段时间内通常是紧急停车，若是慢速行驶至停车，通常是正常停车或者是用户可自行处理的小事故。车辆发生较大交通事故之后的一段时间内通常处于静止状态，且双闪灯亮等。因此，本实施例可以在通过预先训练好的交通事故预测模型进行预测之前，设置一些预设筛选条件，只有当第一特征数据和/或第二特征数据满足预设筛选条件时，才会将第一特征数据和第二特征数据输入预先训练好的交通事故预测模型中，得到交通事故发生概率，否则，认为未发生交通事故，不再继续执行S105，避免车辆未发生事故或发生用户可自行处理的小事故时，仍使用该模型进行预测的情况发生，可避免资源浪费。

其中，较大事故和小事故的划分条件可以以是否需要出险理赔进行区分。若需要出险理赔则属于较大事故，否则，属于小事故。本实施例重点关注需出险理赔的较大事故。

上述若第一特征数据和/或第二特征数据满足预设筛选条件，则将第一特征数据和第二特征数据输入预先训练好的交通事故预测模型中，得到交通事故发生概率，可以包括：

若第一特征数据满足预设筛选条件，则将第一特征数据和第二特征数据输入预先训练好的交通事故预测模型中，得到交通事故发生概率；或，

若第二特征数据满足预设筛选条件，则将第一特征数据和第二特征数据输入预先训练好的交通事故预测模型中，得到交通事故发生概率；或，

若第一特征数据和第二特征数据满足预设筛选条件，则将第一特征数据和第二特征数据输入预先训练好的交通事故预测模型中，得到交通事故发生概率。

需要说明的是，预设筛选条件中包含的各条件与前述判断第一特征数据和/或第二特征数据是否满足预设筛选条件对应的方案以及第一特征数据和第二特征数据包含的各特征数据有关。若方案为判断第一特征数据是否满足预设筛选条件，则预设筛选条件为第一特征数据包含的各特征数据对应的筛选条件中的至少一种；若方案为判断第二特征数据是否满足预设筛选条件，则预设筛选条件为第二特征数据包含的各特征数据对应的筛选条件中的至少一种；若方案为判断第一特征数据和第二特征数据是否满足预设筛选条件，则预设筛选条件为第一特征数据和第二特征数据包含的各特征数据对应的筛选条件中的至少一种。

需要说明的是，上述第一特征数据包含的各特征数据、第二特征数据包含的各特征数据以及预设筛选条件包含的各筛选条件可以根据不同类型的车辆进行适应性增加或减少特征数据和筛选条件。对第一特征数据、第二特征数据和预设筛选条件进行适应性修改得到的技术方案均在本申请的保护范围内。

在一些实施例中，在上述S106中的“预测在可能时刻发生交通事故”之后，上述交通事故预测方法还可以包括：

获取可能时刻前第五预设时长至可能时刻后第六预设时长内的前向视频和驾驶室视频；

将前向视频、驾驶室视频和特征标签发送至人工审核平台，以使工作人员通过人工审核平台确认是否发生交通事故，并在确认发生交通事故后，启动交通事故处理流程；特征标签包括第一特征数据和/或第二特征数据。

可能时刻前第五预设时长至可能时刻后第六预设时长内是指第五时刻至第六时刻之间的时长内；第五时刻在可能时刻之前，且与可能时刻之间的时长为第五预设时长；第六时刻在可能时刻之后，且与可能时刻之间的时长为第六预设时长。

第五预设时长和第六预设时长可以相同，也可以不同，通常为较短时长，可根据实际需求进行设置。例如，第五预设时长和第六预设时长可以均为1分钟。

前向视频可通过前向摄像头拍摄得到。前向摄像头可以位于车头，比如车辆前方车牌附近等，用于拍摄车辆前方的视频。

驾驶室视频可通过安装于驾驶室内的摄像头拍摄得到。

特征标签可以包括用于判断是否发生交通事故的特征数据。

本实施例通过将上述前向视频、驾驶室视频和特征标签发送至人工审核平台，通过人工审核进一步确认是否确实发生交通事故，避免误判。若工作人员人工审核后，确定确实发生交通事故，则可以启动交通事故处理流程，比如，联系驾驶员，了解现场情况，并指导驾驶员保留证据，以及快速到达现场进行事故处理等等。

在一些实施例中，第一车辆数据包括车辆的自动紧急刹车系统AEB（AutonomousEmergency Braking）、定位模块和驾驶员监控系统DMS在第一预设时长内采集的数据；

第二车辆数据包括车辆的自动紧急刹车系统AEB、定位模块和驾驶员监控系统DMS在第二预设时长内采集的数据。

定位模块可以为GPS（Global Positioning System、全球定位系统）模块、北斗定位系统等任何可实现定位的模块。

上述第一车辆数据和第二车辆数据可以包括对应时间段内采集的车辆油耗、行驶里程、车速、加速度、减速度、发送机转速、刹车次数、驾驶员行为报警数据、双闪灯状态以及横滚角中的至少一种。

在一些实施例中，交通事故预测模型为极端梯度提升XGBoost模型。

XGBoost模型是以cart（Classification andregression tree，分类回归树）为基分类器的集成学习方法之一，由于其出色的运算效率和预测准确率在各种智能化场景中得到广泛的应用。与随机森林赋予每一颗决策树相同的投票权重不同，XGBoost中下一棵决策树的生成和前一棵决策树的训练和预测相关（通过对上一轮决策树训练准确率较低的样本赋予更高的学习权重来提高模型准确率）。相比于其他集成学习算法，XGBoost一方面通过引入正则项和列抽样的方法提高了模型稳健性，另一方面又在每棵树选择分裂点的时候采取并行化策略，从而极大提高了模型运行的速度。

在一些实施例中，在上述S101之前，上述交通事故预测方法还可以包括：

将车辆紧急刹车至静止的时刻作为车辆发生交通事故的可能时刻。

其中，可通过紧急刹车至静止的时刻前第三预设时长内的平均减速度是否大于预设减速度阈值，来判定是否为紧急刹车；若是，则为紧急刹车，若否，则不为紧急刹车。

由于车辆发生交通事故之前通常为紧急刹车，因此可以将车辆紧急刹车至静止的时刻作为车辆发生交通事故的可能时刻。

本申请实施例除了使用通常的交通事故点之前的车辆数据作为判定数据外，还选用了交通事故点发生后一段时间（如15分钟）内车辆数据作为延后指标；同时加入了DMS采集的驾驶室数据，可以大大提高模型识别的准确性，在实际应用中，上述交通事故预测方法将交通事故识别的准确性和覆盖率都提升到了可实际落地应用的水平。很多事故发生后，驾驶员还在现场进行查验时，通过上述方法，就可以联系到驾驶员，指导其与交警、当事人合理合规处理，进而达到让各方都满意的事故处理效果。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。

图2示出了本发明实施例提供的交通事故预测装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：

如图2所示，交通事故预测装置30可以包括：时刻确定模块31、数据获取模块32、第一特征提取模块33、第二特征提取模块34、事故发生概率确定模块35和预测模块36。

时刻确定模块31，用于确定车辆发生交通事故的可能时刻；

数据获取模块32，用于获取可能时刻前第一预设时长内的第一车辆数据和可能时刻后第二预设时长内的第二车辆数据；

第一特征提取模块33，用于基于第一车辆数据，提取用于进行交通事故预测的第一特征数据；

第二特征提取模块34，用于基于第二车辆数据，提取用于进行交通事故预测的第二特征数据；

事故发生概率确定模块35，用于将第一特征数据和第二特征数据输入预先训练好的交通事故预测模型中，得到交通事故发生概率；

预测模块36，用于若交通事故发生概率大于预设概率阈值，则预测在可能时刻发生交通事故。

在一种可能的实现方式中，第一特征数据包括可能时刻前第三预设时长内的平均减速度、第一预设时长内的驾驶员行为报警次数、第一预设时长内的平均车速以及可能时刻前第四预设时长内的横滚角方差中的至少一种；第三预设时长和第四预设时长均小于第一预设时长；

第二特征数据包括第二预设时长内的行驶里程、第二预设时长内的双闪灯状态以及第二预设时长内的驾驶员行为报警次数中的至少一种。

在一种可能的实现方式中，交通事故预测装置30还可以包括：筛选模块。

筛选模块用于：

在将第一特征数据和第二特征数据输入预先训练好的交通事故预测模型中，得到交通事故发生概率之前，判断第一特征数据和/或第二特征数据是否满足预设筛选条件；

相应地，事故发生概率确定模块35具体用于：

若第一特征数据和/或第二特征数据满足预设筛选条件，则将第一特征数据和第二特征数据输入预先训练好的交通事故预测模型中，得到交通事故发生概率；

其中，预设筛选条件包括可能时刻前第三预设时长内的平均减速度大于预设减速度阈值、第一预设时长内的驾驶员行为报警次数在第一预设次数范围内、第一预设时长内的平均车速在预设车速范围内、可能时刻前第四预设时长内的横滚角方差在预设方差范围内、第二预设时长内的行驶里程在预设里程范围内、第二预设时长内的双闪灯状态为预设状态以及第二预设时长内的驾驶员行为报警次数在第二预设次数范围内中的至少一种。

在一种可能的实现方式中，交通事故预测装置30还可以包括：事故处理模块。

事故处理模块用于：

在预测在可能时刻发生交通事故之后，获取可能时刻前第五预设时长至可能时刻后第六预设时长内的前向视频和驾驶室视频；

将前向视频、驾驶室视频和特征标签发送至人工审核平台，以使工作人员通过人工审核平台确认是否发生交通事故，并在确认发生交通事故后，启动交通事故处理流程；特征标签包括第一特征数据和/或第二特征数据。

在一种可能的实现方式中，第一车辆数据包括车辆的自动紧急刹车系统AEB、定位模块和驾驶员监控系统DMS在第一预设时长内采集的数据；

第二车辆数据包括车辆的自动紧急刹车系统AEB、定位模块和驾驶员监控系统DMS在第二预设时长内采集的数据。

在一种可能的实现方式中，交通事故预测模型为极端梯度提升XGBoost模型。

在一种可能的实现方式中，时刻确定模块31具体用于：

将车辆紧急刹车至静止的时刻作为车辆发生交通事故的可能时刻。

图3是本发明实施例提供的终端的示意图。如图3所示，该实施例的终端4包括：处理器40和存储器41。所述存储器41用于存储计算机程序42，所述处理器40用于调用并运行所述存储器41中存储的计算机程序42，执行上述各个交通事故预测方法实施例中的步骤，例如图1所示的S101至S106。或者，所述处理器40用于调用并运行所述存储器41中存储的计算机程序42，实现上述各装置实施例中各模块/单元的功能，例如图2所示模块/单元31至36的功能。

示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述终端4中的执行过程。例如，所述计算机程序42可以被分割成图2所示的模块/单元31至36。

所述终端4可以是计算机、服务器（云服务器）等计算设备，也可以是车辆上的ECU（Electronic Control Unit，电子控制单元）等设备。所述终端4可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图3仅仅是终端4的示例，并不构成对终端4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。

所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application SpecificIntegrated 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、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器41可以是所述终端4的内部存储单元，例如终端4的硬盘或内存。所述存储器41也可以是所述终端4的外部存储设备，例如所述终端4上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器41还可以既包括所述终端4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。

对应于上述终端，本申请实施例还提供了一种车辆，包括上述终端。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个交通事故预测方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (8)

1.一种交通事故预测方法，其特征在于，包括：

确定车辆发生交通事故的可能时刻；

获取所述可能时刻前第一预设时长内的第一车辆数据和所述可能时刻后第二预设时长内的第二车辆数据；

基于所述第一车辆数据，提取用于进行交通事故预测的第一特征数据；

基于所述第二车辆数据，提取用于进行交通事故预测的第二特征数据；

判断所述第一特征数据和/或所述第二特征数据是否满足预设筛选条件；

若所述第一特征数据和/或所述第二特征数据满足所述预设筛选条件，则将所述第一特征数据和所述第二特征数据输入预先训练好的交通事故预测模型中，得到交通事故发生概率；

若所述交通事故发生概率大于预设概率阈值，则预测在所述可能时刻发生交通事故；

其中，所述第一特征数据包括所述可能时刻前第三预设时长内的平均减速度、所述第一预设时长内的驾驶员行为报警次数、所述第一预设时长内的平均车速以及所述可能时刻前第四预设时长内的横滚角方差中的至少一种；所述第三预设时长和所述第四预设时长均小于所述第一预设时长；

所述第二特征数据包括所述第二预设时长内的行驶里程、所述第二预设时长内的双闪灯状态以及所述第二预设时长内的驾驶员行为报警次数中的至少一种；

所述预设筛选条件包括所述可能时刻前第三预设时长内的平均减速度大于预设减速度阈值、所述第一预设时长内的驾驶员行为报警次数在第一预设次数范围内、所述第一预设时长内的平均车速在预设车速范围内、所述可能时刻前第四预设时长内的横滚角方差在预设方差范围内、所述第二预设时长内的行驶里程在预设里程范围内、所述第二预设时长内的双闪灯状态为预设状态以及所述第二预设时长内的驾驶员行为报警次数在第二预设次数范围内中的至少一种。

2.根据权利要求1所述的交通事故预测方法，其特征在于，在所述预测在所述可能时刻发生交通事故之后，所述交通事故预测方法还包括：

获取所述可能时刻前第五预设时长至所述可能时刻后第六预设时长内的前向视频和驾驶室视频；

将所述前向视频、所述驾驶室视频和特征标签发送至人工审核平台，以使工作人员通过所述人工审核平台确认是否发生交通事故，并在确认发生交通事故后，启动交通事故处理流程；所述特征标签包括所述第一特征数据和/或所述第二特征数据。

3.根据权利要求1所述的交通事故预测方法，其特征在于，所述第一车辆数据包括所述车辆的自动紧急刹车系统AEB、定位模块和驾驶员监控系统DMS在所述第一预设时长内采集的数据；

所述第二车辆数据包括所述车辆的自动紧急刹车系统AEB、定位模块和驾驶员监控系统DMS在所述第二预设时长内采集的数据。

4.根据权利要求1所述的交通事故预测方法，其特征在于，所述交通事故预测模型为极端梯度提升XGBoost模型。

5.根据权利要求1至4任一项所述的交通事故预测方法，其特征在于，所述确定车辆发生交通事故的可能时刻，包括：

将所述车辆紧急刹车至静止的时刻作为所述车辆发生交通事故的可能时刻。

6.一种交通事故预测装置，其特征在于，包括：

时刻确定模块，用于确定车辆发生交通事故的可能时刻；

数据获取模块，用于获取所述可能时刻前第一预设时长内的第一车辆数据和所述可能时刻后第二预设时长内的第二车辆数据；

第一特征提取模块，用于基于所述第一车辆数据，提取用于进行交通事故预测的第一特征数据；所述第一特征数据包括所述可能时刻前第三预设时长内的平均减速度、所述第一预设时长内的驾驶员行为报警次数、所述第一预设时长内的平均车速以及所述可能时刻前第四预设时长内的横滚角方差中的至少一种；所述第三预设时长和所述第四预设时长均小于所述第一预设时长；

第二特征提取模块，用于基于所述第二车辆数据，提取用于进行交通事故预测的第二特征数据；所述第二特征数据包括所述第二预设时长内的行驶里程、所述第二预设时长内的双闪灯状态以及所述第二预设时长内的驾驶员行为报警次数中的至少一种；

筛选模块，用于判断所述第一特征数据和/或所述第二特征数据是否满足预设筛选条件；所述预设筛选条件包括所述可能时刻前第三预设时长内的平均减速度大于预设减速度阈值、所述第一预设时长内的驾驶员行为报警次数在第一预设次数范围内、所述第一预设时长内的平均车速在预设车速范围内、所述可能时刻前第四预设时长内的横滚角方差在预设方差范围内、所述第二预设时长内的行驶里程在预设里程范围内、所述第二预设时长内的双闪灯状态为预设状态以及所述第二预设时长内的驾驶员行为报警次数在第二预设次数范围内中的至少一种；

事故发生概率确定模块，用于若所述第一特征数据和/或所述第二特征数据满足所述预设筛选条件，则将所述第一特征数据和所述第二特征数据输入预先训练好的交通事故预测模型中，得到交通事故发生概率；

预测模块，用于若所述交通事故发生概率大于预设概率阈值，则预测在所述可能时刻发生交通事故。

7.一种终端，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行如权利要求1至5中任一项所述的交通事故预测方法。

8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述交通事故预测方法的步骤。