CN116128311B

CN116128311B - 工地交通安全风险预警方法、装置、设备及可读存储介质

Info

Publication number: CN116128311B
Application number: CN202310390934.XA
Authority: CN
Inventors: 温桂龙
Original assignee: Shenzhen Mingyuan Cloud Technology Co Ltd
Current assignee: Shenzhen Mingyuan Cloud Technology Co Ltd
Priority date: 2023-04-13
Filing date: 2023-04-13
Publication date: 2023-08-04
Anticipated expiration: 2043-04-13
Also published as: CN116128311A

Abstract

本申请公开了一种工地交通安全风险预警方法、装置、设备及可读存储介质，该方法包括：获取被监测工地的场内外动态特征的特征值，其中，所述场内外动态特征包括场内外行车道属性、施工规模、作业设备属性、作业人员属性和场内外环境属性；将所述特征值输入至预设交通安全风险预警模型预测所述被监测工地发生交通事故的风险预期值；基于所述风险预期值在所述被监测工地发出预警信息。即本申请会通过工地中的各场内外动态特征，来预测该工地发生交通事故的风险预期值，在风险预期值过高的时，向被监测工发出预警信息，以提高参与交通人员或者作业人员的警惕性，降低发生交通事故的风险。

Description

工地交通安全风险预警方法、装置、设备及可读存储介质

技术领域

本申请涉及安全预警技术领域，尤其涉及一种工地交通安全风险预警方法、装置、设备及可读存储介质。

背景技术

在建筑行业，施工安全的一大难点就是工地场内外交通安全。通常在施工场所的外部由于各种原因，会造成行车道狭窄细长，而场内同期又存在施工作业，这将造施工场所人员流动密集、车流量大、车辆体积庞大，故在施工场所极易发生交通事故，从而对人民的生命财产安全造成风险。

上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容是现有技术。

发明内容

本申请的主要目的在于提供一种工地交通安全风险预警方法、装置、设备及可读存储介质，旨在解决施工场所易发生交通事故的技术问题。

为实现上述目的，本申请提供一种工地交通安全风险预警方法，所述工地交通安全风险预警方法包括以下步骤：

获取被监测工地的场内外动态特征的特征值，其中，所述场内外动态特征包括场内外行车道属性、施工规模、作业设备属性、作业人员属性和场内外环境属性；

将所述特征值输入至预设交通安全风险预警模型预测所述被监测工地发生交通事故的风险预期值；

基于所述风险预期值在所述被监测工地发出预警信息。

进一步的，在所述将所述特征值输入至预设交通安全风险预警模型预测所述被监测工地发生交通事故的风险预期值的步骤之前，所述方法包括：

从历史施工日志中提取对应施工场地的场内外动态特征的特征值生成各训练样本；

基于各所述训练样本对所述预设交通安全风险预警模型进行训练。

进一步的，任意一个所述训练样本的生成过程包括：

从所述历史施工日志中提取所述对应施工场地的场内外动态特征在任意一预设时间窗口下的特征值生成一个所述训练样本；

将所述施工场地在所述预设时间窗口下发生交通事故的事故数量作为标签标记所述训练样本。

进一步的，所述基于各所述训练样本对所述预设交通安全风险预警模型进行训练的步骤包括：

基于各所述训练样本和正规方程法确定的所述预设交通安全风险预警模型中的模型参数，以完成所述预设交通安全风险预警模型的训练，其中，所述模型参数为场内外动态特征影响交通事故数量的影响因子。

进一步的，所述预警信息中包括应对措施，所述基于所述风险预期值在所述被监测工地发出预警信息的步骤包括：

将所述风险预期值与预设风险阈值进行比较；

若所述风险预期值大于所述预设风险阈值，则将所述预设风险阈值对应的应对措施作为预警信息输出，其中，所述应对措施包括提高警惕、增加疏导员或限制车流量。

进一步的，所述预警信息中包括高风险因素，在所述基于所述风险预期值在所述被监测工地发出预警信息的步骤之前，所述方法包括：

确定所述被监测工地的各所述场内外动态特征对所述风险预期值的贡献度，其中，所述贡献度是指场内外动态特征引发交通事故的风险值在所述风险预期值中的占比；

将贡献度高于预设贡献阈值的场内外动态特征作为所述高风险因素。

进一步的，在所述基于各所述训练样本和正规方程法确定的所述预设交通安全风险预警模型中的模型参数的步骤之前，所述方法包括：

获取各所述训练样本的标签作为标签合集；

从各所述训练样本中获取一种场内外动态特征的特征值作为特征值合集；

基于特征值合集和所述标签合集中特征值与标签之间的对应关系进行拟合，确定所述场内外动态特征在所述预设交通安全风险预警模型中对应模型参数的约束条件；

基于新的场内外动态特征返回执行所述从各所述训练样本中获取一种场内外动态特征的特征值作为特征值合集的步骤，直至遍历每种所述场内外动态特征得到约束条件组，其中，所述约束条件组包括有各所述模型参数的约束条件，所述约束条件组用于约束所述预设交通安全风险预警模型中的各所述模型参数。

此外，为实现上述目的，本申请还提供一种工地交通安全风险预警装置，所述工地交通安全风险预警装置包括：

获取模块，用于获取被监测工地的场内外动态特征的特征值，其中，所述场内外动态特征包括场内外行车道属性、施工规模、作业设备属性、作业人员属性和场内外环境属性；

预测模块，用于将所述特征值输入至预设交通安全风险预警模型预测所述被监测工地发生交通事故的风险预期值；

预警模块，用于基于所述风险预期值在所述被监测工地发出预警信息。

此外，为实现上述目的，本申请还提供一种工地交通安全风险预警设备，所述工地交通安全风险预警设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的工地交通安全风险预警程序，所述工地交通安全风险预警程序被所述处理器执行时实现上述的工地交通安全风险预警方法的步骤。

此外，为实现上述目的，本申请还提供一种可读存储介质，所述可读存储介质上存储有工地交通安全风险预警程序，所述工地交通安全风险预警程序被处理器执行时实现如上述的工地交通安全风险预警方法的步骤。

本申请实施例提出的一种工地交通安全风险预警方法、装置、设备及可读存储介质。获取被监测工地的场内外动态特征的特征值，其中，所述场内外动态特征包括场内外行车道属性、施工规模、作业设备属性、作业人员属性和场内外环境属性；将所述特征值输入至预设交通安全风险预警模型预测所述被监测工地发生交通事故的风险预期值；基于所述风险预期值在所述被监测工地发出预警信息。即本申请会通过工地中的各场内外动态特征，来预测该工地发生交通事故的风险预期值，在风险预期值过高的时，向被监测工发出预警信息，以提高参与交通人员或者作业人员的警惕性，降低发生交通事故的风险。

附图说明

图1是本申请实施例方案涉及的硬件运行环境的设备结构示意图；

图2为本申请工地交通安全风险预警方法的第一实施例的流程示意图；

图3为本申请工地交通安全风险预警方法的第二实施例的流程示意图；

图4为本申请工地交通安全风险预警方法的第三实施例的流程示意图；

图5为本申请工地交通安全风险预警方法中一场内外动态特征的特征值与事故数量的映射图示意图。

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所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。

如图1所示，图1是本申请实施例方案涉及的硬件运行环境的设备结构示意图。

本申请实施例设备可以是服务器，也可以是智能手机、PC、平板电脑、便携计算机等电子终端设备。

如图1所示，该设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

可选地，设备还可以包括摄像头、RF（Radio Frequency，射频）电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可监测各个方向上（一般为三轴）加速度的大小，静止时可监测出重力的大小及方向，可用于识别移动终端姿态的应用（比如横竖屏切换、相关游戏、磁力计姿态校准）、振动识别相关功能（比如计步器、敲击）等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

本领域技术人员可以理解，图1中示出的设备结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及工地交通安全风险预警程序。

在图1所示的设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端（用户端），与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的工地交通安全风险预警程序，并执行以下操作：

基于所述风险预期值在所述被监测工地发出预警信息。

进一步地，处理器1001可以调用存储器1005中存储的工地交通安全风险预警程序，还执行以下操作：

在所述将所述特征值输入至预设交通安全风险预警模型预测所述被监测工地发生交通事故的风险预期值的步骤之前，所述方法包括：

任意一个所述训练样本的生成过程包括：

所述基于各所述训练样本对所述预设交通安全风险预警模型进行训练的步骤包括：

所述预警信息中包括应对措施，所述基于所述风险预期值在所述被监测工地发出预警信息的步骤包括：

将所述风险预期值与预设风险阈值进行比较；

所述预警信息中包括高风险因素，在所述基于所述风险预期值在所述被监测工地发出预警信息的步骤之前，所述方法包括：

将贡献度高于预设贡献阈值的场内外动态特征作为所述高风险因素。进一步地，处理器1001可以调用存储器1005中存储的工地交通安全风险预警程序，还执行以下操作：

在所述基于各所述训练样本和正规方程法确定的所述预设交通安全风险预警模型中的模型参数的步骤之前，所述方法包括：

获取各所述训练样本的标签作为标签合集；

参照图2，本申请工地交通安全风险预警方法的第一实施例，所述工地交通安全风险预警方法包括：

步骤S10，获取被监测工地的场内外动态特征的特征值，其中，所述场内外动态特征包括场内外行车道属性、施工规模、作业设备属性、作业人员属性和场内外环境属性；

需要说明的是，上述的被监测工地是指需要进行风险预测的施工场地，采集被监测工地的场内外动态特征的特征值，其中，场内外动态特征包括场内外行车道属性、施工规模、作业设备属性、作业人员属性和场内外环境属性等。场内外行车道属性可以是场内外行车道数量和场内外行车道宽度等，施工规模可以是施工范围，作业设备属性可以是参与作业设备的数量和参与作业的大型设备占比等，作业人员属性可以是作业人员的数量，场内外环境属性可以是湿度、风力、地面硬度、可见度、是否下雨、温度等。

示例性的，上述场内外行车道属性和施工规模可由技术人员经过测量得到或者设置，上述作业设备属性以及作业人员属性可由施工场地的门禁系统统计获取，而场内外环境属性可通过分布在施工现场不同的传感器获取，其中，对于场内外环境属性中同一特征值可能有不同的获取来源，故对于场内外环境属性可采用DPBFT共识算法（dynamicpractical byzantine fault tolerance，动态拜占庭容错算法）将各个来源的数据集进行同步，以确保数据的准确性。

步骤S20，将所述特征值输入至预设交通安全风险预警模型预测所述被监测工地发生交通事故的风险预期值；

示例性的，将获取到的特征值输入到预设交通安全风险预警模型，该风险预警模型可以是回归预测模型，也可以是神经网络预测模型。预设交通安全风险预警模型预先经过训练，可通过各包含上述场内外动态特征的训练样本进行模型训练，以使得训练后的模型具备工地发生交通事故的预测能力。

步骤S30，基于所述风险预期值在所述被监测工地发出预警信息。

示例性的，上述风险预期值可以是预测的工地发生交通事故的概率与发生事故数量之间的乘积。例如，假设预设交通安全风险预警模型的预测结果为，发生1件交通事故的概率为A，发生2件交通事故的概率为B，则相应的风险阈值为A+2B。再基于风险预期值在被监测工地发出预警信息，如预测得到的风险预期值过高超过了阈值，则可通过设置在被监测工地设置的电器元件预警装置进行预警，以提高参与交通人员或者作业人员的警惕性，降低发生交通事故的风险。

在一可行的实施方式中，所述预警信息中包括应对措施，所述基于所述风险预期值在所述被监测工地发出预警信息的步骤包括：

步骤S310，将所述风险预期值与预设风险阈值进行比较；

步骤S320，若所述风险预期值大于所述预设风险阈值，则将所述预设风险阈值对应的应对措施作为预警信息输出，其中，所述应对措施包括提高警惕、增加疏导员或限制车流量。

示例性的，预警信息中可还包括有应对措施。将预测的被监测工地的风险预期值与预设风险阈值进行比较，如果该风险预期值比一预设风险阈值要大，则将与该预设风险阈值对应的应对措施作为预警信息输出。即在实际应用中，可设置多个不同的预设风险阈值，每个预设风险阈值对应有不同的应对措施，如可设置预设低风险阈值、预设中风险阈值和预设高风险阈值，分别对应提高警惕、增加疏导员和限制车流量。相应的，如被监测工地的风险预期值大于预设中风险阈值且未大于预设高风险阈值，则输出的预警信息可以是增加疏导员。

在一可行的实施方式中，所述预警信息中包括高风险因素，在所述基于所述风险预期值在所述被监测工地发出预警信息的步骤之前，所述方法包括：

步骤S301，确定所述被监测工地的各所述场内外动态特征对所述风险预期值的贡献度，其中，所述贡献度是指场内外动态特征引发交通事故的风险值在所述风险预期值中的占比；

步骤S302，将贡献度高于预设贡献阈值的场内外动态特征作为所述高风险因素。

示例性的，预警信息中还可以包括高风险因素。即导致被监测工地可能发生风险事故的重要因素。高风险因素可以是各场内外动态特征中的任意一种或者多种。确定监测工地的各所述场内外动态特征对所述风险预期值的贡献度，其中，贡献度是指场内外动态特征引发交通事故的风险值在所述风险预期值中的占比。以场内外环境属性为例，可预测被监测工地的单个场内外环境属性的风险预期值作为场内外环境属性引发交通事故的风险值。场内外环境属性的风险值在风险预期值中的占比即为场内外环境属性的贡献度。通过上述方式可得到每种场内外动态特征的贡献度。再将贡献度高于预设贡献阈值的场内外动态特征作为所述高风险因素。高风险因素可作为工地管理方的整改依据，从而消除高风险因素，减少工地发生交通事故的风险。

在本实施例中，获取被监测工地的场内外动态特征的特征值，其中，所述场内外动态特征包括场内外行车道属性、施工规模、作业设备属性、作业人员属性和场内外环境属性；将所述特征值输入至预设交通安全风险预警模型预测所述被监测工地发生交通事故的风险预期值；基于所述风险预期值在所述被监测工地发出预警信息。即本申请会通过工地中的各场内外动态特征，来预测该工地发生交通事故的风险预期值，在风险预期值过高的时，向被监测工发出预警信息，以提高参与交通人员或者作业人员的警惕性，降低发生交通事故的风险。

参照图3，基于本申请工地交通安全风险预警方法的第一实施例提出本申请工地交通安全风险预警方法的第二实施例。本申请实施例中与上述实施例相同部分可参考上文内容，此处不再赘述。在所述将所述特征值输入至预设交通安全风险预警模型预测所述被监测工地发生交通事故的风险预期值的步骤之前，所述方法包括：

步骤A10，从历史施工日志中提取对应施工场地的场内外动态特征的特征值生成各训练样本；

需要说的是，上述历史施工日志中通常会记录每天发生的与施工场地相关的事件，包括施工条件、施工人员以及施工环境等，从历史施工日志中可提取到上述场内外动态特征。其中，历史施工日志对应的工地，可以是任意一个正在施工或者已经施工完成的工地。

其中，任意一个所述训练样本的生成过程包括：

步骤A110，从所述历史施工日志中提取所述对应施工场地的场内外动态特征在任意一预设时间窗口下的特征值生成一个所述训练样本；

步骤A120，将所述施工场地在所述预设时间窗口下发生交通事故的事故数量作为标签标记所述训练样本。

示例性的，上述预设时间窗口的长度可以是一天，也可以是一周，具体也可由技术人员根据需求设置。从历史施工日志中提取对应施工场地的内外动态特征在任意一预设时间窗口下的特征值生成一个训练样本。需要说明的是，在实际应用中，施工日志通常是按天为单位进行记录的，故若生成训练样本的时间窗口跨度超过一天，如预设时间窗口的长度是一周，则在该训练样本中任意一种场内外动态特征的特征值可以是该预设时间窗口下7天该场内外动态特征的特征值的平均值。此外，对于训练样本的标签，将生成该训练样本时的预设时间窗口下历史施工日志中记录的发生交通事故的事故数量作为标签来标记该训练样本，每个训练样本的生成过程均可参照上述过程。

步骤A20，基于各所述训练样本对所述预设交通安全风险预警模型进行训练。

在一可行的实施例中，所述基于各所述训练样本对所述预设交通安全风险预警模型进行训练的步骤包括：

步骤A210，步骤基于各所述训练样本和正规方程法确定的所述预设交通安全风险预警模型中的模型参数，以完成所述预设交通安全风险预警模型的训练，其中，所述模型参数为场内外动态特征影响交通事故数量的影响因子。

示例性的，上述预设交通安全风险预警模型如下：

式中，为风险预期值，X为矩阵[/>1，/>2，/>3, …/>n]，/>1、/>2、/>3、…、/>n为各场内外动态特征的特征值，/>为模型参数列矩阵[/>]，/>、…、/>为各场内外动态特征对应的模型参数。

实际上任意一个训练样本实际由多个特征值以及一个事故数量组成，而模型参数为场内外动态特征的特征值对事故数量的影响因子。通过大量的训练样本和正规方程法即可确定上述各模型参数。从而完成预设交通安全风险预警模型的训练。即各模型参数/>的目标函数为：

式中，为训练样本中的特征值，/>为训练样本中的标签，/>表示/>的转置。

此外，还需要说明的，在确定任意一个场内外动态特征对于风险预期值的贡献度时，可基于该场内外动态特征的特征值以及与该场内外动态特征对应的模型参数确定该场内外动态特征的风险值，如该将场内外动态特征的特征值与该场内外动态特征对应的模型参数作为该场内外动态特征的风险值。

在本实施例中，从历史施工日志中提取生成训练样本，再基于生成的训练样本对模型进行训练得到，具有风险预测能力的预设交通安全风险预警模型。

参照图4，基于本申请工地交通安全风险预警方法的第二实施例提出本申请工地交通安全风险预警方法的第三实施例。本申请实施例中与上述实施例相同部分可参考上文内容，此处不再赘述。在所述基于各所述训练样本和正规方程法确定的所述预设交通安全风险预警模型中的模型参数的步骤之前，所述方法包括：

步骤B10，获取各所述训练样本的标签作为标签合集；

步骤B20，从各所述训练样本中获取一种场内外动态特征的特征值作为特征值合集；

步骤B30，基于特征值合集和所述标签合集中特征值与标签之间的对应关系进行拟合，确定所述场内外动态特征在所述预设交通安全风险预警模型中对应模型参数的约束条件；

步骤B40，基于新的场内外动态特征返回执行所述从各所述训练样本中获取一种场内外动态特征的特征值作为特征值合集的步骤，直至遍历每种所述场内外动态特征得到约束条件组，其中，所述约束条件组包括有各所述模型参数的约束条件，所述约束条件组用于约束所述预设交通安全风险预警模型中的各所述模型参数。

本实施例在建立预测模型之前，将初步确定每个模型参数的取值范围，以加快模型的训练。

示例性的，获取各训练样本的标签作为标签合集，从各训练样本中获取一种场内外动态特征的特征值作为特征值合集。再基于特征值合集和所述标签合集中特征值与标签之间的对应关系进行拟合。其中，处于同一个训练样本中的特征值和标签存在有对应关系。对于任意一种场内外动态特征，基于各训练样本可得到该场内外动态特征的多组数据，每组数据包括同一训练样本中该场内外动态特征的特征值和事故数量。再通过Octave（一种工具软件）的plot方法构建任意一种特征值和事故数量之间的映射图，如参照图5，为本申请工地交通安全风险预警方法中一场内外动态特征的特征值与事故数量的映射图，其中，横坐标为特征值纵坐标为事故数量。通过映射关系可拟合得到单个场内外动态特征对事故数量的影响度的范围，而影响度的范围即为该单个场内外动态特征在上述预设交通安全风险预警模型中模型参数的约束条件。通过上述过程可得到每个场内外动态特征的约束条件从而形成约束条件组。约束条件组和对预设交通安全风险预警模型中模型参数进行约束，从而加快预设交通安全风险预警模型的建立过程。

可选地，所述工地交通安全风险预警装置还包括训练模块，所述训练模块用于：

可选地，所述训练模块还用于：

可选地，所述预警信息中包括应对措施，所述预警模块还用于：

将所述风险预期值与预设风险阈值进行比较；

可选地，所述预警信息中包括高风险因素，所述工地交通安全风险预警装置还包括确定模块，所述确定模块还用于：

可选地，所述工地交通安全风险预警装置还包括约束模块，所述约束模块用于：

获取各所述训练样本的标签作为标签合集；

本申请提供的工地交通安全风险预警装置，采用上述实施例中的工地交通安全风险预警方法，旨在解决施工场所易发生交通事故的技术问题。与现有技术相比，本申请实施例提供的工地交通安全风险预警装置的有益效果与上述实施例提供的工地交通安全风险预警方法的有益效果相同，且该工地交通安全风险预警装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。

此外，为实现上述目的，本申请还提供一种工地交通安全风险预警设备，所述工地交通安全风险预警设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的工地交通安全风险预警程序，所述工地交通安全风险预警程序被所述处理器执行时实现如上述的工地交通安全风险预警方法的步骤。

本申请工地交通安全风险预警设备的具体实施方式与上述工地交通安全风险预警方法各实施例基本相同，在此不再赘述。

本申请计算机介质具体实施方式与上述工地交通安全风险预警方法各实施例基本相同，在此不再赘述。

需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。

以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims

1.一种工地交通安全风险预警方法，其特征在于，所述工地交通安全风险预警方法包括以下步骤：

获取被监测工地的场内外动态特征的特征值，其中，所述场内外动态特征包括场内外行车道属性、施工规模、作业设备属性、作业人员属性和场内外环境属性，所述场内外行车道属性是场内外行车道数量和场内外行车道宽度，所述施工规模是施工范围，所述作业设备属性是参与作业设备的数量和参与作业的大型设备占比，所述作业人员属性是作业人员的数量，所述场内外环境属性是湿度、风力、地面硬度、可见度、是否下雨和温度；

基于所述风险预期值在所述被监测工地发出预警信息；

其中，在所述将所述特征值输入至预设交通安全风险预警模型预测所述被监测工地发生交通事故的风险预期值的步骤之前，所述方法包括：

基于各所述训练样本对所述预设交通安全风险预警模型进行训练；

其中，所述基于各所述训练样本对所述预设交通安全风险预警模型进行训练的步骤包括：

基于各所述训练样本和利用正规方程法确定的所述预设交通安全风险预警模型中的模型参数，以完成所述预设交通安全风险预警模型的训练，其中，所述模型参数为场内外动态特征影响交通事故数量的影响因子；

其中，在所述基于各所述训练样本和利用正规方程法确定的所述预设交通安全风险预警模型中的模型参数，以完成所述预设交通安全风险预警模型的训练的步骤之前，所述方法包括：

获取各所述训练样本的标签作为标签合集；

2.如权利要求1所述的工地交通安全风险预警方法，其特征在于，任意一个所述训练样本的生成过程包括：

3.如权利要求2所述的工地交通安全风险预警方法，其特征在于，所述预警信息中包括应对措施，所述基于所述风险预期值在所述被监测工地发出预警信息的步骤包括：

将所述风险预期值与预设风险阈值进行比较；

4.如权利要求3所述的工地交通安全风险预警方法，其特征在于，所述预警信息中包括高风险因素，在所述基于所述风险预期值在所述被监测工地发出预警信息的步骤之前，所述方法包括：

5.一种工地交通安全风险预警装置，其特征在于，所述工地交通安全风险预警装置包括：

获取模块，用于获取被监测工地的场内外动态特征的特征值，其中，所述场内外动态特征包括场内外行车道属性、施工规模、作业设备属性、作业人员属性和场内外环境属性，所述场内外行车道属性是场内外行车道数量和场内外行车道宽度，所述施工规模是施工范围，所述作业设备属性是参与作业设备的数量和参与作业的大型设备占比，所述作业人员属性是作业人员的数量，所述场内外环境属性是湿度、风力、地面硬度、可见度、是否下雨和温度；

预警模块，用于基于所述风险预期值在所述被监测工地发出预警信息；

其中，在所述将所述特征值输入至预设交通安全风险预警模型预测所述被监测工地发生交通事故的风险预期值的步骤之前，包括：

其中，在所述基于各所述训练样本和利用正规方程法确定的所述预设交通安全风险预警模型中的模型参数，以完成所述预设交通安全风险预警模型的训练的步骤之前，包括：

获取各所述训练样本的标签作为标签合集；

6.一种工地交通安全风险预警设备，其特征在于，所述工地交通安全风险预警设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的工地交通安全风险预警程序，所述工地交通安全风险预警程序被所述处理器执行时实现如权利要求1至4中任一项所述的工地交通安全风险预警方法的步骤。

7.一种可读存储介质，其特征在于，所述可读存储介质上存储有工地交通安全风险预警程序，所述工地交通安全风险预警程序被处理器执行时实现如权利要求1至4中任一项所述的工地交通安全风险预警方法的步骤。