CN116386316A - 交通风险的预测方法和装置、电子设备及存储介质 - Google Patents
交通风险的预测方法和装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116386316A CN116386316A CN202211575181.1A CN202211575181A CN116386316A CN 116386316 A CN116386316 A CN 116386316A CN 202211575181 A CN202211575181 A CN 202211575181A CN 116386316 A CN116386316 A CN 116386316A
- Authority
- CN
- China
- Prior art keywords
- traffic
- risk
- data
- traffic data
- road
- 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 78
- 238000012512 characterization method Methods 0.000 claims abstract description 4
- 206010039203 Road traffic accident Diseases 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 28
- 238000013058 risk prediction model Methods 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 238000012423 maintenance Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims 1
- 239000000523 sample Substances 0.000 description 22
- 238000007726 management method Methods 0.000 description 20
- 230000006399 behavior Effects 0.000 description 14
- 238000012806 monitoring device Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 101001093748 Homo sapiens Phosphatidylinositol N-acetylglucosaminyltransferase subunit P Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000007087 memory ability Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
-
- G06Q50/40—
-
- 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
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Abstract
本申请提供了一种交通风险的预测方法和装置、电子设备及存储介质,依据本申请实施例,依据本申请实施例,获取待识别路段关联的交通数据,对所获取的交通数据进行数据识别,以从交通数据中选取出第一交通数据,然后确定所选取的第一交通数据在设定风险维度对应表征的风险指标信息,也即是将第一交通数据转换为与风险相关性更强的信息,对第一交通数据的数据价值进行了充分挖掘,由于风险指标信息相比于第一交通数据可以强化对第一交通数据所具有的交通风险特性的表征,进一步基于所确定的风险指标信息以及交通数据中除去第一交通数据之外的第二交通数据,对待识别路段进行交通风险预测时,可以得到更准确的交通风险预测结果。
Description
技术领域
本申请涉及智慧交通领域,尤其涉及一种交通风险的预测方法和装置、电子设备及存储介质。
背景技术
随着机动车保有量逐渐增加,道路交通流量随之增多,这导致了交通风险的上升,交通拥堵和交通事故的发生也愈加频繁。交通拥堵的普遍存在和交通事故的频发一方面影响了公众的正常出行,对出行者的人身安全以及财产安全都造成了威胁;另一方面,由于交通拥堵和交通事故需要交通管理人员及时、有效地处理,频繁发生的交通拥堵和交通事故进一步加大了交通管理人员的工作难度。
通过预测交通风险可以有效缓解上述问题,如何提高交通风险预测结果的准确性具有重要意义。
发明内容
本申请实施例提供一种交通风险的预测方法和装置、电子设备及存储介质,以准确预测交通风险,帮助交通管理人员将风险管控前置,减少交通拥堵和交通事故对出行者的影响。
第一方面,本申请实施例提供了一种交通风险的预测方法,所述方法包括:
获取待识别路段关联的交通数据;
对所获取的交通数据进行数据识别,以从所述交通数据中选取出第一交通数据;
确定所选取的第一交通数据在设定风险维度对应表征的风险指标信息;
基于所确定的风险指标信息以及所述交通数据中除去所述第一交通数据之外的第二交通数据,对所述待识别路段进行交通风险预测。
第二方面,本申请实施例提供了另一种交通风险的预测方法,所述方法包括:
确定车辆当前行驶的目标路段;
获取所述目标路段的交通风险预测结果以及基于交通风险预测结果确定的风险处理策略;所述交通风险预测结果根据第一交通数据在设定风险维度对应表征的风险指标信息以及所述交通数据中除去第一交通数据之外的第二交通数据确定,所述第一交通数据从目标路段关联的交通数据中选取;
基于交通应用提示所述交通风险预测结果和风险处理策略。
第三方面,本申请实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上的计算机程序,所述处理器在执行所述计算机程序时实现上述任一项所述的方法。
第四方面,本申请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任一项所述的方法。
与相关技术相比,本申请具有如下优点:
依据本申请实施例,获取待识别路段关联的交通数据,对所获取的交通数据进行数据识别,以从交通数据中选取出第一交通数据,然后确定所选取的第一交通数据在设定风险维度对应表征的风险指标信息,也即是将第一交通数据转换为与风险相关性更强的信息,对第一交通数据的数据价值进行了充分挖掘,由于风险指标信息相比于第一交通数据可以强化对第一交通数据所具有的交通风险特性的表征,进一步基于所确定的风险指标信息以及交通数据中除去第一交通数据之外的第二交通数据,对待识别路段进行交通风险预测时,可以得到更准确的交通风险预测结果。
基于交通风险预测结果,可以进一步提供与交通风险预测结果对应的风险处理策略,为缓解交通拥堵和交通事故的影响提供依据。例如,通过风险预警便于交通管理人员提前进行风险管控或是便于出行者规避相应路段,通过提供交通风险解决方案有助于交通风险的快速处理,以及通过提供风险后果处置方案可以便于快速恢复正常交通。
本申请实施例涉及的第一交通数据可以是与交通风险弱相关的目标交通数据,例如可以包括记录路面状态的路网数据。由于路网数据等目标交通数据对交通风险的表征能力较弱,若将此类交通数据转换在设定风险维度对应表征的风险指标信息,则可以有效提升目标交通数据在交通风险预测中起到的作用,使得交通风险预测的准确性得到很大的提高。
此外,在进行风险预测之前,可以先对路面状态相似的连续路段进行聚合,从而可以对连续的相似路段进行统一进行风险预测,不仅减少了风险预测的资源消耗,并且由于结合了连续多个路段作为预测依据,可以提高风险预测的准确性。
本申请用于风险预测的交通数据可以汇总路网数据、监测设备采集的车辆行驶数据或是交通管理数据、交通维护数据等多种数据,通过详尽获取相关的各种数据可以使得交通风险预测的依据更为全面,交通风险预测的准确性也可以得到保证。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
在附图中,除非另外规定,否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解,这些附图仅描绘了根据本申请的一些实施方式,而不应将其视为是对本申请范围的限制。
图1示出了本申请实施例中提供的交通风险的预测方案的场景示意图;
图2示出了本申请实施例中提供的一种交通风险的预测方法的流程图;
图3示出了本申请实施例中提供的一种确定道路集合的方式的示意图;
图4示出了本申请实施例中提供的另一种交通风险的预测方法的流程图;
图5示出了本申请实施例中提供的一种交通风险的预测装置的结构框图;
图6示出了本申请实施例中提供的另一种交通风险的预测装置的结构框图;以及
图7示出了用来实现本申请实施例的电子设备的框图。
具体实施方式
在下文中,仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样,在不脱离本申请的构思或范围的情况下,可通过各种不同方式修改所描述的实施例。因此,附图和描述被认为本质上是示例性的,而非限制性的。
首先对本申请涉及的技术术语进行如下介绍:
百万车公里数(VKT,Vehicle Kilometers Travelled):一段时间内,所有车辆在某一路段行驶的里程总和。具体而言,百万车公里是为了统计计算方便,对一车公里数的换算结果。一车公里数的计算方法为年日均车流量×路段长度(km)×时间(天),百万车公里数的计算方法为一车公里数/106。
百万车公里事故率:一段时间内某一路段上发生交通事故或由交通事故造成人员伤亡的数量与该路段百万车公里数的比值。
百万车公里危险驾驶率:一段时间内某一路段上发生三急一速驾驶行为的次数与该路段百万车公里数的比值。
三急一速:四种危险驾驶行为的简称,包括急刹车、急加速、急转弯、超速。
OBU(On Board Unit,车载单元):一种用于监测车辆数据的车载装置,可以通过专用短程通信(DSRC,Dedicated Short Range Communication)、蜂窝网络(CellularNetwork)等技术与路侧单元或其他终端进行通信,外发车辆数据并接收道路交通数据,具有一定的数据运算及存储的能力。
RSU(Road Side Unit,路侧单元):一种用于监测交通数据的路侧装置,可以实时采集交通数据,通过通信网络与OBU、其他路侧单元、感知设备、交通信号灯、电子标牌等终端通信,具有一定的数据运算及存储的能力,也具有网关功能,可以用于保证车辆接入通信网络。
本申请实施例可以应用于对道路上可能发生的交通风险的预测,以准确预测交通风险,向交通管理人员和出行者提供交通风险预测结果,帮助交通管理人员将风险管控前置,减少交通拥堵和交通事故对出行者的影响。如下给出本申请实施例的交通风险预测方法的一个应用示例。如图1所示,在为驾驶员预测车辆所行驶的道路上的交通风险时,可以将车辆所处的路段确定为待识别路段;在驾驶员依据导航应用所规划的路线行驶时,可以在驾驶员授权同意提供数据的情况下将导航路线中涉及到的路段确定为待识别路段。进一步获取与待识别路段关联的交通数据,所获取的交通数据包括路网数据、车辆行驶数据、交通管理数据和交通维护数据。上述交通数据可以是由待识别路段上的路侧监测设备(如视频监测探头)所实时采集的数据,也可以是由车上的出行者所授权提供的数据(如由RSU、出行者的手机提供的数据),还可以是按照待识别路段的标识在开源数据库中获取的或是由交通管理平台所授权提供的数据。
可以理解的是,交通风险的影响因素可能是多种多样的,用于预测交通风险的交通数据可以涵盖多种对交通风险产生影响的方面,以提高预测结果的准确性。例如在一些应用示例中,交通标志牌的位置也可以对驾驶员的驾驶行为做出影响,如高速道路上指示出口的指示牌距离出口太近时,可能会导致驾驶员在行驶过程中意识到即将错过出口时做出急刹车、连续并道等危险驾驶行为。因此,在获取交通数据时,应尽可能全面地获取各类数据,并挖掘所获取到的数据的价值。
在获取到交通数据后,选取一部分交通数据为第一交通数据,并将第一交通数据通过其与交通风险的拟合关系转换为风险指标信息。风险指标信息相比于第一交通数据可以强化对第一交通数据所具有的交通风险特性的表征。同时还可以对交通数据中除去第一交通数据之外的第二交通数据进行预处理,例如通过数据清洗的方式去除数据噪声和冗余数据,提高第二交通数据的可靠性。
进一步,将风险指标信息与第二交通信息输入预先训练的交通预测模型,并将由交通训练模型输出的风险预测结果提供给驾驶员。驾驶员可以根据风险处理策略调整驾驶行为、出行路线或是出行安排,避免经过交通拥堵路段,降低发生交通事故的可能性。在交通管理人员预测交通风险的场景下,可以通过类似地流程获取风险预测结果,并提供给交通管理人员。交通管理人员可以在获悉可能发生的交通风险后及时实施对应的解决策略,将风险管控前置,也可以通过风险处理策略调整路侧监测设备的资源配置,对交通风险易发路段配置更多资源,以便加强管理力度,从而降低路段上的交通风险发生的概率。
本申请实施例的执行主体可以是应用程序、服务、实例、软件形态的功能模块、虚拟机(Virtual Machine,VM)、容器或云服务器等,或者具有数据处理功能的硬件设备(如服务器或终端设备)或硬件芯片(如CPU、GPU、FPGA、NPU、AI加速卡或DPU)等。实现交通风险预测的装置可以部署在提供交通风险预测服务的应用方的计算设备或提供算力、存储和网络资源的云计算平台上,云计算平台对外提供服务的模式可以是IaaS(Infrastructure-as-aService,基础设施即服务)、PaaS(Platform-as-a-Service,平台即服务)、SaaS(Software-as-a-Service,软件即服务)或DaaS(Data-as-a-Service,数据即服务)。以平台提供SaaS软件即服务(Software-as-a-Service)为例,云计算平台可以利用自身的计算资源提供模型的训练、部署智慧交通应用以实现交通风险的预测过程的实现等功能,具体的应用架构可以根据服务需求进行搭建。例如,平台可以向使用平台资源的应用方或个人提供基于上述模型的构建服务,进一步基于相关客户端或服务器等设备提交的风险预测请求调用上述模型和实现交通风险的预测的功能。
下面以具体实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。以下相关技术作为可选方案与本申请实施例的技术方案可以进行任意结合,其均属于本申请实施例的保护范围,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
如图2所示为本申请一实施例的交通风险的预测方法200的流程图,该方法200可以包括:
在步骤S201中,获取待识别路段关联的交通数据。
本申请实施例中涉及到的待识别路段可以是单个路段,也可以是多个路段的集合。其中,单个路段可以是一段固定长度的路段,也可以是由用户(例如驾驶员与交通管理人员)所指定的路段。多个路段的集合可以是由多个单个路段组成的集合,也可以是将一条道路进行划分后的路段集合。在确定待测路段时可以对应于不同的风险预测需求,将所需要进行风险预测的路段确定为待测路段。例如,在为驾驶员预测出行路线上的交通风险时,可以将车辆所处的路段确定为待测路段。在对高速公路进行交通风险分析时,可以结合交通管理的需求先将高速公路分为多个路段,然后将划分后的路段确定为待测路段。
在确定待识别路段后,获取与该待识别路段关联的交通数据,也即是在该待识别路段产生的交通数据,例如车辆行驶数据和交通维护数据、交通管理数据,或是该待识别路段本身自带的数据,例如用于描述路面结构的路网数据。其中,交通数据是指可能对交通风险产生影响的数据,具体可以是与车辆、驾驶员、道路管理、环境、道路结构、交通事故统计等方面的数据。通过详尽获取相关的各种交通数据可以使得交通风险预测的依据更为全面,交通风险预测的准确性也可以得到保证。本申请实施例中仅示例性地列举了一些可能的交通数据,本申请实施例对所获取的交通数据不做限制。可以在与该待识别路段关联的数据系统中,按照待识别路段的标识信息获取该待识别路段关联的交通数据,也可以读取由待识别路上路侧监测设备所监测的交通数据。在出行者授权提供数据的前提下,还可以在车辆经过待测道路时,实时获取车载监测设备所提供的交通数据。可以理解的是,在获取交通数据的同时,还可以获取对应记录交通数据产生位置的空间标识,以及交通数据产生时间的时间标识。在获取到待识别路段关联的交通数据后,可以按照交通数据的空间标识和时间标识对应的顺序对交通数据进行对齐,以将交通数据转化为矩阵的形式以方便后续的数据处理。依据所获取的交通数据,可以对待识别路段上可能存在的交通风险进行预测。基于实时获取的交通数据,还可以对待识别路段的交通风险进行实时预测。
在一种可能的实现方式中,对于其中某一种交通数据,其来源可以是不同的。例如车辆的行驶速度可以是由路侧车辆监测设备,如路段卡口、视频探头、路侧雷达测速、RSU等设备所监测的速度;也可以是由车载监测设备,如导航设备、OBU等设备所监测的速度。在获取到由多个数据来源提供的交通数据后,可以依据交通数据的空间标识和时间标识对应的顺序对交通数据进行对齐,并将交通数据转化为矩阵的形式以方便后续的数据处理。一种可选的实施方式中,可以进行数据对齐后剔除异常数据。例如,在获取到由视频探头设备、路侧雷达测速设备以及车侧导航设备所监测的车辆行驶速度数据,并对数据对齐后,发现在某一城市道路路段(待识别路段)的相同时间点由上述三种数据来源监测到的数据分别为300km/h、90km/h以及89km/h。由于城市道路中出现300km/h这样的车辆行驶速度的概率极低,因此可以认为这一数据为异常值,从而可以剔除该异常值,并将由其他两种数据来源所获取的数据的平均值确定为该待识别路段在相应时间点的车辆行驶速度。又如,结合实际应用发现由路侧雷达测速设备所监测的车辆行驶速度数据较为准确,因此在获取待检测路段的车辆行驶速度数据时,直接获取与由待识别路段上路侧雷达测速设备所监测得到的数据。然而,在对所获取的数据进行对齐处理后发现某一监测点位的数据处于缺失状态,此时即可使用其他来源的数据补齐空缺。结合以上两例可知,相比于单一来源的数据,由多个数据来源获取的交通数据通过相互之间支持、补充、修正,可以提供更准确的信息,从而在进行风险预测时可以提高风险预测的准确性。
在步骤S202中,对所获取的交通数据进行数据识别,以从所述交通数据中选取出第一交通数据。
在获取到交通数据后,首先通过对所获取到的交通数据进行识别的方式从交通数据中选出一部分交通数据,并将选出的这部分交通数据记为第一交通数据。为了对不同的交通数据进行区分,将选取出第一交通后剩余的全部或部分交通数据记为第二交通数据。
数据识别是指从交通数据中,按照数据的不同特性或是规律区别出某一部分数据的过程。在进行数据识别时,可以通过预先设置数据识别规则,以对交通数据进行过滤的方式,自动将过滤后的交通数据选取为第一交通数据。在一种可选的实施方式中,也可以仅以数据量大小设置数据识别规则,设置选取出的第一交通数据占全部交通数据的比值,随机全需一定数量的第一交通数据。在实际应用中,对于交通数据进行数据识别或是对第一交通数据的选取也可以按照人工经验识别并通过手动的方式进行选取。本申请实施例对具体的识别或是选取的方式不做限制。
在一种可能的实现方式中,第二交通数据可以包括车辆监测设备采集的车辆行驶数据,或是交通管理数据、交通维护数据中的至少一种。其中,涉及到的车辆监测设备可以是路侧监测设备,也可以是车载监测设备。由车辆监测设备车辆行驶数据可以是车辆的行驶速度、车辆的行驶轨迹、道路的车流量等。交通管理数据可以包括基础路侧设备的数据,例如可以是道路交通标志牌的位置、标志信息,也可以是交通信号灯的指示内容等。其中,道路交通标志牌可以包括警告标志(如警告车辆注意危险地点、雨天路滑的标志)、禁令标志(如禁止停车的标志、限制同行的标志)、指示标志(如指示潮汐车道行进方向的标志)和指路标志(如传递高速道路出口距离信息的标志、传递地点信息的标志)等。交通维护数据可以包括待识别路段中通告道路施工区标志的位置、道路施工对应的施工道路长度和施工占用车道数量等数据等。
在一种可能的实现方式中,所选取的第一交通数据可以包括与交通风险弱相关的目标交通数据。所获取的各类交通数据都有可能是交通风险形成的因素,但各类交通数据对交通风险形成的影响程度是不同的。对于一些对交通风险的形成不够成直接影响的交通数据,在进行数据分析时可能得出这些交通数据与交通风险相关性弱,或是对交通风险的行程没有任何影响的结论。在这种情况下,可以通过数据识别的方式选取出一部分数据,所选出的数据与交通风险的相关程度小于第二交通数据与交通风险的相关程度,并将选取出的数据记为目标交通数据。具体而言,可以对多种类别的交通数据与交通风险做相关性分析,例如可以计算皮尔逊相关系数(Pearson Correlation Coefficient),结合所得到的计算结果判断相关程度,对比所得到的各类交通数据与交通风险的相关程度,将与交通风险相关程度较小的一类或多类交通数据确定为目标交通数据,使得目标交通数据与交通风险的相关程度小于第二交通数据与交通风险的相关程度。
其中,目标数据应至少包括记录路面状态的路网数据。记录路面状态的路网数据是指可以用于表征道路本身的特征的数据,可以包括用于记录道路结构的数据,例如道路的高程、是否上坡、是否下坡、坡度、坡长、平曲线半径等,也可以包括用于记录道路类型的数据,例如是否单向、是否为桥、是否为隧道等。在获取这类交通数据时,可以通过与待测道路关联的开源路网数据库或是由交通管理机构授权提供的与待测道路关联的数据系统,按照待测道路的空间标识信息获取;也可以通过读取待测道路的设计图或是测绘图中的数据获取。
记录路面状态的路网数据会由于与交通风险弱相关而无法在交通风险预测中表征其本身具有的风险,例如,驾驶员在通过下坡道路时会通过刹车的驾驶行为进行减速,当某一下坡路段频繁发生的交通事故的直接原因均是驾驶员的减速行为时,在对该路段的交通风险进行预测时往往会主要关注车辆的速度以及驾驶员的驾驶行为,而忽略道路结构对交通风险形成的影响。因此,可以选取出将此类交通数据并在后续处理中加强这类数据对交通风险的表征,以提高交通风险预测结果的准确性。
在一种可能的实现方式中,在对所获取的交通数据进行数据识别时,可以首先识别所述交通数据与位置信息和时间信息的数值变化关系,将对应数值不随位置信息和时间信息的改变而发生变化的交通数据确定为目标交通数据。在一种可能的数学应用示例中,可以通过如下所示的数学公式识别目标交通数据:
其设计思路是,由于方差为0的序列中每个数据都是相同,也即是说数据是没有波动的,因此可以计算序列的方差并通过判断计算结果是否为0的方式判断序列中的数据是否存在波动。应用于本申请实施例中,xi是由所获取的交通数据对应生成的矩阵中时间标识维度上的分量序列,也即是交通数据中某一种数据在相同空间标识下对应不同时间标识的数据值。EX是该分量序列的期望值,n为该分量序列中元素的个数。运算结果Var即是该分量序列xi的方差。若运算结果Var=0,则说明xi中每个数据都是相同的,xi所对应的交通数据在固定空间位置上并不随时间的变化而变化,因而可将xi所对应的交通数据识别为目标交通数据。
在步骤S203中,确定所选取的第一交通数据在设定风险维度对应表征的风险指标信息。
交通风险可以通过多个风险维度进行评估,在预测交通风险时,为了强化第一交通数据对其所具有的交通风险特性的表征,可以将第一交通数据转换为在设定维度中与交通风险相关性更强的风险指标信息。风险指标信息用于表征第一交通数据在设定风险维度的交通风险,具体可以是基于历史交通数据拟合出的交通风险概率。在从交通事故这一维度评估交通风险时,风险指标信息可以是百万车公里事故率;从危险驾驶这一维度评估交通风险时,风险指标信息可以是百万车公里危险驾驶率。除了前述两种风险维度以外,还可以结合具体的交通风险预测需求,或是综合多种风险维度,确定其他可能的风险维度。
在一种可能的实现方式中,在确定所选取的第一交通数据在设定风险维度对应表征的风险指标信息时,可以首先获取所选取的第一交通数据与风险指标信息的第一函数关系,其中,第一函数关系可以表达第一交通数据与设定风险维度的交通风险之间的映射关系。在一种可选的实施方式中,第一函数关系可以通过对历史第一交通数据与设定风险维度的交通风险概率依据进行线性拟合(如使用最小二乘拟合法)得到。风险指标信息为百万车公里事故率时,可以通过如下过程确定对应的第一函数关系:首先获取过往一段时间内多个路段对应的历史交通事故数据,以及与第一交通数据相对应的历史第一交通数据。其中,历史交通事故数据可以是过往一段时间内在上述多个路段上的发生交通事故的数量,也可以是由交通事故造成人员伤亡的数量。然后通过如下所示的数学公式计算百万车公里事故率的真实值:
其中,D是历史交通事故数据,VKT是上述多个路段中过往的一段时间内的百万车公里数,运算结果V即是百万车公里事故率的真实值。然后使用最小二乘拟合法,对历史第一交通数据和百万车公里事故率的真实值进行线性拟合,并将生成的拟合函数的函数关系确定为第一函数关系。
在获取第一函数关系后,根据第一函数关系对所述第一交通数据进行拟合计算,确定对应的风险指标信息,也即是将第一交通数据作为第一函数关系的输入,将第一函数关系计算的拟合结果确定为对应于第一交通数据的风险指标信息。
由于交通风险指标信息与交通风险具有较强的相关性,因此在选取第一交通数据后,通过确定所选取的第一交通数据在设定风险维度对应表征的风险指标信息,可以将第一交通数据转换为与交通风险相关性更强的信息,实现了对第一交通数据的数据价值的充分挖掘。
在一种可能的实现方式中,交通风险概率可以包括交通事故概率和危险驾驶概率中至少一种。其中,交通事故概率和危险驾驶概率分别是指某一路段上发生交通事故和发生危险驾驶行为的概率,例如可以是百万车公里事故率和百万车公里危险驾驶率。交通风险概率的真实值根据与路段关联的交通数据计算得到,例如,交通事故率的真实值可以通过在路段上发生的交通事故或是由于事故造成的伤亡人员的统计数计算得到,危险驾驶率的真实值可以通过在路上发生的如三急一速这样的危险驾驶行为的统计数计算得到。
在步骤S204,基于所确定的风险指标信息以及所述交通数据中除去所述第一交通数据之外的第二交通数据,对所述待识别路段进行交通风险预测。
在将第一交通数据转换为与交通风险相关性更强的风险指标信息后,使用风险指标信息与第二交通数据对待识别路段进行交通风险预测。
在一种可能的实现方式中,在进行交通风险预测时,可以使用预先训练的风险预测模型,将风险指标信息和第二交通数据作为风险预测模型的输入,以获得待识别路段的交通风险预测结果。风险预测模型可以由使用一个或多个机器学习模型组成,模型依据交通数据样本以及预先标记的交通风险训练获得。其中,可以通过为交通数据样本打标签的方式标记交通风险,标签内容具体可以是待识别路段上发生过的交通事件(如连环追尾、车祸、车辆剐蹭、拥堵等),也可以是待识别路段上易发的危险驾驶行为(如超速、逆行、急刹车、疲劳驾驶等),还可以是待识别路段上易发的异常情况(如货物遗撒、行人上机动车道等)。
基于风险预测模型得到的交通风险预测结果可以包括是否有风险、风险类型以及风险概率中的至少一种。其中,风险类型与在风险预测模型中预先标记的交通风险相对应,例如可以是连环追尾、路面出现障碍物、行人上机动车道等,也可以是对上述交通风险进行概括后的交通风险,例如可以是交通事故风险或交通拥堵风险。风险概率是指待识别道路发生某一类型交通风险的概率。在由风险识别模型得到待识别道路可能存在多种交通风险时,还可以各类交通风险基于发生的概率由高到低排序。在提供交通风险预测结果时,可以提供所获取的全部交通风险,也可以优先提供概率较高交通风险。
在一种可能的实现方式中,可以通过如下步骤生成风险预测模型。
为了对路段与交通数据进行区分,将用于生成风险预测模型的数据训练集中涉及到的路段记为样本路段,将与路段样本关联的交通数据记为交通数据样本。在生成风险预测模型时,首先,获取路段样本关联的交通数据样本。可选的,可以对交通数据样本进行预处理,以提高交通数据样本的可靠性。其次,对所获取的交通数据样本进行数据识别,以从交通数据样本中选取出第一交通数据样本,第一交通数据样本至少用于表征路面状态。最后,根据第一交通数据样本在设定风险维度对应表征的风险指标信息、交通数据样本中除去第一交通数据样本之外的第二交通数据样本以及针对交通数据样本标记的交通风险,训练用于预测交通风险的风险预测模型。
训练后的风险预测模型可以在后续输入风险指标信息和第二交通数据时,输出对应于预先标记的交通风险的风险预测结果。其中,用于风险预测模型中的机器学习模型,具体可以包括XGBoost(eXtreme Gradient Boosting,极限梯度提升)模型、SVM(SupportVector Machines,支持向量机)模型、LR(Logistic Regression,逻辑回归)模型。其中,XGBoost是以梯度提升(Gradient Boost)为框架基础的基于决策树模型的集成机器学习算法,可以快速准确地解决回归和分类问题,SVM模型是一种二分类监督学习(SupervisedLearning)模型,可以用于解决回归和分类问题,LR模型是一种监督学习模型,可以用于解决回归和分类问题。此处仅示例性地对可能使用的模型进行列举,本申请实施例对具体的模型选取不做限制,除上述列举出的模型以外也可以结合其他机器学习模型或是深度学习模型构建风险预测模型。
在一种可能的实现方式中,在基于所确定的风险指标信息以及交通数据中除去第一交通数据之外的第二交通数据,对待识别路段进行交通风险预测之前,还可以对第一交通数据和/或第二交通数据进行预处理。其中,涉及到的预处理可以包括数据清洗、数据纠错和数据填补等方式中的至少一种,其目的是提高数据的可靠性,以得到更准确的交通风险预测结果。在实际的应用中,也可以结合所获取的交通数据选择其他适合的预处理方式,本申请实施例对具体的预处理方式不做限制。
在一种可能的实现方式中,还可以基于交通风险预测结果确定对应的风险处理策略。其中,风险处理策略可以包括基于交通应用进行风险预警、交通风险解决方案和风险后果处置方案中至少一种。涉及到的风险预警是指基于风险预测结果对待识别路段上可能发生的交通风险的预警,例如在对待识别道路进行实时风险预测的场景下,基于待识别路段的交通数据得到的风险预测结果是待识别路上发生拥堵的概率为70%,可以将这一交通风险通过交通应用推送消息的形式提供给交通管理人员和出行者,以实现风险预警。同时也可以向出行者所使用的交通应用提供风险解决建议,例如在出行者所使用的导航路线中包括可能发生拥堵的待识别路段时,可以建议出行者更改行驶路线,避开可能发生拥堵的路段。还可以进一步提供风险后果处置方案,例如可以建议向待识别路段派往交通管理人员查看并解决可能导致拥堵的异常情况。
用于呈现交通风险预测结果的交通应用可以是在交通管理人员所使用的终端设备(如移动终端设备、电脑等)上部署的应用,也可以是出行者所使用的终端设备(如RSU、车载导航、移动终端设备)上部署的应用。以交通管理人员实施监测交通状况的场景为例,交通应用可以是基于SaaS服务部署于云端桌面的智慧交通应用,交通管理人员可以通过监测大屏展示该智慧交通应用的界面。在该界面上可以展示一个或多个由部署于路侧监测点位的监测视频探头所实施采集的交通状况视频,同时展示与视频画面中相对应的路段的交通风险预测结果。可以通过在智慧交通应用的界面弹出风险预警窗口的方式向交通管理人员提示道路上的交通风险。除此以外,还可以基于预测到的交通风险在智慧交通应用的界面提供相应的交通风险解决方案和风险后果处置方案,本申请实施例对具体的提供的方式不做限制。
可以理解的是,交通事故或是交通拥堵等异常情况通常具有蔓延的趋势,因此在获得交通风险预测结果后,在存在交通风险的情况下,还可以进一步基于所存在的风险进行再次预测。在一种可选的实施方式中,在进行风险预测的同时,也可以直接通过交通数据的监测设备识别交通风险并对提供相应的风险预警提示,或是将通过上述监测设备实时识别的交通风险作为实时交通数据,输入交通风险模型进行进一步风险预测。例如,在高速路上出现行人时,车辆可能由于避让行人而减速或是急刹车,这可能会进一步导致交通拥堵或是发生交通事故。部署于高速收费站的视频监测探头可以将其所采集的监测视频实时传输至云端数据计算中心,在云端数据计算中心基于监测视频识别到例如收费站出口出现行人这样的交通风险后,可以在将该交通风险提供至交通应用的同时,将这一交通风险作为交通风险预测模型的输入,进一步预测由这一情况所可能造成的交通风险。
在一种可能的实现方式中,在确定待识别路段时,可以将交通风险概率接近的连续路段添加至同一路段集合,并将路段集合中的连续路段分别作为待识别路段。上述过程可以理解为将多个交通风险概率接近、并且在物理空间上连续的路段聚合为同一个路段的过程,这样做的目的是可以对连续的相似路段进行统一进行风险预测。具体地,可以预先设置第一设定阈值,并计算路段间交通风险概率值的差值,将风险概率值的差值小于第一设定阈值的路段判断为交通风险概率接近的路段。一方面,通过对路段的聚合,可以在进行风险预测时减少运算次数,从而减少了风险预测的资源消耗;另一方面,相比于聚合前的路段,由于待识别路段关联的交通数据结合了连续多个路段的数据,因此数据量更大,依据更大数据量的交通数据对交通风险进行预测可以提高风险预测的准确性。
除此之外,通过将路段集合中的连续路段分别作为待识别路段,还可以帮助交通管理人员对相似的连续路段进行统一管理,提高交通管理人员的工作效率。例如,在对待识别路段进行风险预测,以制定道路管理方法的场景下,由于路段集合中的路段是连续的路段,且具有相似的交通风险概率,因此交通管理人员可以基于聚合后的路段的风险预测结果对路段统一配置相应的管理资源。结合具体的应用实例,一段1000米长的道路,该道路的路面特征为前800米是长上坡路段,后200米是下坡路段。在进行路段聚合前,交通管理人员以栅格划分的方式,将1000米的道路划分为10个100米路段,每100米设置一个视频监测设备对车辆进行监测。应用本申请实施例,可以将1000米的道路分为长上坡路段和下坡两类,并将上述两种路段分别作为待识别路段进行交通风险预测。在进行风险预测后,得到的结果为下坡路段较长上坡路段具有更多交通风险,且交通风险概率较高。基于这一结果,交通管理人员可以对应减少配置于长上坡路段的监测设备,并在下坡路段添加监测设备,以实现易发事故的下坡路段着重监测。
在一种可能的实现方式中,在将交通风险概率值接近的连续路段添加至同一路段集合时,首先对路面状态相似的连续路段进行聚合。在对路面进行聚合时,可以预先设置第二设定阈值,根据路段的空间标识获取多个连续的路段,获取上述路段的路面结构,对路面结构相似度超出第二设定阈值较高的路段进行聚合。具体可以使用K内核聚类方法,例如K-means(K平均算法),依据多个连续路段的路面结构将路面状态相似的连续路段进行聚合。在首次聚合时,还可以预先设定K值,以获得K个初始路段集合。若后续需要对K值进行迭代更新以优化路段聚合结果,还可以预先设置K值的更新步长,并依据该步长对K值进行更新。将聚合后获得的多个路段集合记为初始路段集合,每个初始路段集合中至少包括一个路段。
在获得多个初始路段集合后,将同一初始路段集合中交通风险概率值的差值小于第一设定值的路段划分至同一路段集合,其中,交通风险概率值根据历史交通数据确定,也即是说可以根据过去一段时间发生在路段上的交通风险事件计算得到交通风险概率值,并在获得交通风险概率值后对初始路段集合进一步划分为路段集合。由此,所得到的路段集合中的路段为路面结构相似、风险概率值接近的连续路段。
图3示出了一种可能的实施方式中确定道路集合的方式的示意图。如图3所示,一条道路以栅格划分的方式被分为7个路段。在确定道路集合时,首先获取7个路段的路网数据、危险驾驶行为数据和交通事故数据。其中,危险驾驶行为数据可以是各路段上发生三急一速次数的统计数据,交通事故数据可以是各路段上发生交通事故或是伤亡人数的统计数据。然后可以将所获取的路网数据转化为向量形式表达,并将转化后的数据记为路面结构向量。通过K-means算法对相似的路面结构向量聚类,得到初始路段集合。
对初始路面集合进一步划分时,也即是将交通风险概率值接近且处于同一初始路段集合中的路段划分至同一路段集合时,可以从危险驾驶行为这一风险维度,使用通过危险驾驶行为数据计算得到的危险驾驶概率,将初始路段集合中的危险驾驶概率值相近的路段进一步划分,从而得到最终的路段集合。在一种可能的应用示例中,具体可以通过如下步骤完成上述划分过程:首先对各路段对应的交通风险概率值进行排序,按照排序顺序,判断某一路段与其位置相邻的路段是否属于初始路段集合,并将属于同一初始路段集合的两个路段进一步划分为一类。类似地,也可以从交通事故这一风险维度,结合交通事故概率对初始路段集合中的路段进一步划分。
在一种可能的实现方式中,将交通风险概率值的差值小于第一设定阈值且处于同一初始路段集合中的路段划分至同一路段集合时,可以首先将交通风险概率值的差值小于第一设定阈值且处于同一初始路段集合中的路段划分至同一路段集合,获得参考路段集合。
然后拟合参考路段集合中路面特征集合与交通风险概率值的第二函数关系。在获得参考路段集合后,可以根据参考路段集合中多个路段的路面特征获得参考路段集合的路面特征集合,可以将路面特征集合中的路面特征转为向量形式表达并为路面特征向量。第二函数关系可以通过上述特征向量与对应的交通风险概率值进行线性拟合(如使用最小二乘拟合法)的方式得到。
其次,通过改变所述初始路段集合的个数,迭代更新所述第二函数关系。可以理解的是,初始路段集合将随着初始路段集合个数的变化而变化。例如,在使用K-means首次进行路段聚合时预设的K值为3,更新步长为2。获得3个初始路段集合后,在需要更新K值时将K值按照更新步长更新为5,并继续使用K-means对路段进行聚合,获得5个初始路段集合。在初始路段集合发生变化后,由初始路段进一步划分得到的路段集合也可能将随之改变,因而第二函数关系也需要随之更新。迭代更新的目的是寻找合适的初始路段集合的个数,使得迭代后的第二函数关系较迭代前更为准确。在一种可能的数学应用示例中,可以通过均方根误差(RMSE,Root Mean Square Error)衡量第二函数关系是否准确。在迭代更新的过程中,可以通过记录对应于不同K值的多次均方根误差的计算结果,在确定得到最小的均方根误差时终止迭代。
最后,在迭代终止时,将初始路段集合的划分结果确定为最终划分的路段集合。在对某一条道路进行交通风险预测时,可以基于划分后的路段集合,对各路段集合统一预测交通风险。由于上述所获得的最终划分的路段集合结果是由历次迭代所确定的最准确结果,因而在对路段集合进行及交通风险预测时可以得到更为准确的交通风险预测结果。
本申请实施例还提供了另一种交通风险的预测方法,如图4所示为本申请另一实施例的交通风险的预测方法400的流程图,该方法400可以包括:
在步骤S401,确定车辆当前行驶的目标路段。
在步骤S402,获取所述目标路段的交通风险预测结果以及基于交通风险预测结果确定的风险处理策略;所述交通风险预测结果根据第一交通数据在设定风险维度对应表征的风险指标信息以及所述交通数据中除去第一交通数据之外的第二交通数据确定,所述第一交通数据从目标路段关联的交通数据中选取。
在步骤S403,基于交通应用提示所述交通风险预测结果和风险处理策略。
依据本申请实施例可以对某一车辆正在行驶的路段进行实时的交通风险预测。在进行交通风险预测时,首先确定车辆行驶的目标路段。目标路段可以是车辆的当前位置所处的路段,也可以是与车辆相关联的终端设备的导航应用所指示的导航路线中所包含的路段。在确定目标路段后,依据方法200提供的交通风险预测方法,将目标路段作为待识别路段,对目标路段进行交通风险预测,并获得目标路段的交通风险预测结果以及基于交通风险预测结果确定的风险处理策略。具体的风险预测方法可以参照上述由方法200提供的实施例,此处不再赘述。
在获得针对目标路段的交通风险预测结果和风险处理策略后,通过交通应用向车辆上的出行者做出相应的提示。提示方式可以是向承载交通应用的终端设备推送风险预测和风险处理策略,终端设备可以以文字信息或是语音播报的方式为用户提供相应提示。本申请实施例对具体的提示方式不做限制。
与本申请实施例提供的方法的应用场景以及方法相对应地,本申请实施例还提供一种交通风险的预测装置500。如图5所示为本申请一实施例的交通风险的预测装置的结构框图,该交通风险的预测装置可以包括:
数据获取模块501,用于获取待识别路段关联的交通数据;
数据识别模块502,用于对所获取的交通数据进行数据识别,以从所述交通数据中选取出第一交通数据;
信息确定模块503,用于确定所选取的第一交通数据在设定风险维度对应表征的风险指标信息;
风险预测模块504,用于基于所确定的风险指标信息以及所述交通数据中除去所述第一交通数据之外的第二交通数据,对所述待识别路段进行交通风险预测。
在一种可能的实现方式中,数据识别模块502所选取的第一交通数据包括与交通风险弱相关的目标交通数据,所述目标交通数据与交通风险的相关程度小于所述第二交通数据与交通风险的相关程度,所述目标交通数据至少包括记录路面状态的路网数据。
在一种可能的实现方式中,所述数据识别模块502可以包括:
关系识别子模块,用于识别所述交通数据与位置信息和时间信息的数值变化关系;
数据确定子模块,用于将对应数值不随位置信息和时间信息的改变而发生变化的交通数据确定为目标交通数据。
在一种可能的实现方式中,所述信息确定模块503可以用于获取所选取的第一交通数据与所述风险指标信息的第一函数关系;根据所述第一函数关系对所述第一交通数据进行拟合计算,确定对应的风险指标信息。
在一种可能的实现方式中,所述基于所确定的风险指标信息以及所述交通数据中除去所述第一交通数据之外的第二交通数据,所述风险预测模块504可以具体用于:将所述风险指标信息和所述交通数据中除去所述第一交通数据之外的第二交通数据输入预先训练的风险预测模型,获得所述待识别路段的交通风险预测结果,所述交通风险预测结果包括是否有风险、风险类型以及风险概率中的至少一种。
在一种可能的实现方式中,所述装置500还可以包括:
预处理模块,用于在所述基于所确定的风险指标信息以及所述交通数据中除去所述第一交通数据之外的第二交通数据,对所述待识别路段进行交通风险预测之前,对所述第一交通数据和/或第二交通数据进行预处理,所述预处理包括数据清洗、数据纠错和数据填补中的至少一种。
在一种可能的实现方式中,所述装置500还可以包括:
策略确定模块,用于基于交通风险预测结果确定对应的风险处理策略,所述风险处理策略包括基于交通应用进行风险预警、交通风险解决方案和风险后果处置方案中至少一种。
在一种可能的实现方式中,所述风险预测模块504还可以包括模型生成子模块,该模型生成子模块用于生成风险预测模型,具体可以包括:
样本获取单元,用于获取路段样本关联的交通数据样本;
样本识别单元,用于对所获取的交通数据样本进行数据识别,以从所述交通数据样本中选取出第一交通数据样本,所述第一交通数据样本至少用于表征路面状态;
模型训练单元,用于根据所述第一交通数据样本在设定风险维度对应表征的风险指标信息、所述交通样本数据中除去所述第一交通数据样本之外的第二交通数据样本以及针对所述交通数据样本标记的交通风险,训练用于预测交通风险的风险预测模型。
在一种可能的实现方式中,所述数据获取模块501可以具体用于确定待识别路段,该数据获取模块501还可以包括:
路段确定子模块,用于将交通风险概率值的差值小于第一设定阈值的连续路段添加至同一路段集合,并将所述路段集合中的连续路段分别作为待识别路段。
在一种可能的实现方式中,所述路段确定子模块还可以具体用于,对路面状态的相似度超出第二设定阈值的连续路段进行聚合,获得多个初始路段集合;将交通风险概率值的差值小于第一设定阈值且处于同一初始路段集合中的路段划分至同一路段集合,所述交通风险概率值根据历史交通数据确定。
在一种可能的实现方式中,所述路段确定子模块还可以进一步用于,将交通风险概率值的差值小于第一设定阈值且处于同一初始路段集合中的路段划分至同一路段集合,获得参考路段集合;拟合所述参考路段集合中路面特征集合与交通风险概率值的第二函数关系;通过改变所述初始路段集合的个数,迭代更新所述第二函数关系;在迭代终止时,将初始路段集合的划分结果确定为最终划分的路段集合。
在一种可能的实现方式中,所述交通风险概率值包括交通事故概率值和危险驾驶概率值中至少一种,所述交通风险概率的真实值根据与路段关联的交通数据计算得到。
在一种可能的实现方式中,所述交通数据包括如下至少一种:记录路面状态的路网数据、车辆监测设备采集的车辆行驶数据、交通管理数据、交通维护数据。
与本申请实施例提供的方法的应用场景以及方法相对应地,本申请实施例还提供另一种交通风险的预测装置。如图6所示为本申请另一实施例的交通风险的预测装置600的结构框图,该装置600可以包括:
路段确定模块601,用于确定车辆当前行驶的目标路段;
结果获取模块602,用于获取所述目标路段的交通风险预测结果以及基于交通风险预测结果确定的风险处理策略;所述交通风险预测结果根据第一交通数据在设定风险维度对应表征的风险指标信息以及所述交通数据中除去第一交通数据之外的第二交通数据确定,所述第一交通数据从目标路段关联的交通数据中选取;
结果提示模块603,用于基于交通应用提示所述交通风险预测结果和风险处理策略。
本申请实施例各装置中的各模块的功能可以参见上述方法中的对应描述,并具备相应的有益效果,在此不再赘述。
图7为用来实现本申请实施例的电子设备的框图。如图7所示,该电子设备包括:存储器701和处理器702,存储器701内存储有可在处理器702上运行的计算机程序。处理器602执行该计算机程序时实现上述实施例中的方法。存储器701和处理器702的数量可以为一个或多个。
该电子设备还包括:
通信接口703,用于与外界设备进行通信,进行数据交互传输。
如果存储器701、处理器702和通信接口703独立实现,则存储器701、处理器702和通信接口703可以通过总线相互连接并完成相互间的通信。该总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,EISA)总线等。该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7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。
可选的,在具体实现上,如果存储器701、处理器702及通信接口703集成在一块芯片上,则存储器701、处理器702及通信接口703可以通过内部接口完成相互间的通信。
本申请实施例提供了一种计算机可读存储介质,其存储有计算机程序,该程序被处理器执行时实现本申请实施例中提供的方法。
本申请实施例还提供了一种芯片,该芯片包括处理器,用于从存储器中调用并运行存储器中存储的指令,使得安装有芯片的通信设备执行本申请实施例提供的方法。
本申请实施例还提供了一种芯片,包括:输入接口、输出接口、处理器和存储器,输入接口、输出接口、处理器以及存储器之间通过内部连接通路相连,处理器用于执行存储器中的代码,当代码被执行时,处理器用于执行申请实施例提供的方法。
应理解的是,上述处理器可以是中央处理器(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 Specific Integrated Circuit,ASIC)、现场可编程门阵列(FieldProgrammable 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是任何常规的处理器等。值得说明的是,处理器可以是支持进阶精简指令集机器(Advanced RISC Machines,ARM)架构的处理器。
进一步地,可选的,上述存储器可以包括只读存储器和随机访问存储器。该存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以包括只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以包括随机访问存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM均可用。例如,静态随机访问存储器(Static RAM,SRAM)、动态随机访问存储器(Dynamic Random Access Memory,DRAM)、同步动态随机访问存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机访问存储器(Double Data RateSDRAM,DDR SDRAM)、增强型同步动态随机访问存储器(Enhanced SDRAM,ESDRAM)、同步链接动态随机访问存储器(Sync link DRAM,SLDRAM)和直接内存总线随机访问存储器(DirectRambus RAM,DR RAM)。
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。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计算机程序指令时,全部或部分地产生依照本申请的流程或功能。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。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。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本申请的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
流程图中描述的或在此以其他方式描述的任何过程或方法可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分。并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能。
在流程图中描述的或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。
应理解的是,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。上述实施例方法的全部或部分步骤是可以通过程序来指令相关的硬件完成,该程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读存储介质中。该存储介质可以是只读存储器,磁盘或光盘等。
以上所述,仅为本申请的示例性实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请记载的技术范围内,可轻易想到其各种变化或替换,这些都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (16)
1.一种交通风险的预测方法,包括:
获取待识别路段关联的交通数据;
对所获取的交通数据进行数据识别,以从所述交通数据中选取出第一交通数据;
确定所选取的第一交通数据在设定风险维度对应表征的风险指标信息;
基于所确定的风险指标信息以及所述交通数据中除去所述第一交通数据之外的第二交通数据,对所述待识别路段进行交通风险预测。
2.根据权利要求1所述的方法,其中,所选取的第一交通数据包括与交通风险弱相关的目标交通数据,所述目标交通数据与交通风险的相关程度小于所述第二交通数据与交通风险的相关程度,所述目标交通数据至少包括记录路面状态的路网数据。
3.根据权利要求2所述的方法,其中,所述对所获取的交通数据进行数据识别包括:
识别所述交通数据与位置信息和时间信息的数值变化关系;
将对应数值不随位置信息和时间信息的改变而发生变化的交通数据确定为目标交通数据。
4.根据权利要求1-3中任一项所述的方法,其中,所述确定所选取的第一交通数据在设定风险维度对应表征的风险指标信息包括:
获取所选取的第一交通数据与所述风险指标信息的第一函数关系;
根据所述第一函数关系对所述第一交通数据进行拟合计算,确定对应的风险指标信息。
5.根据权利要求1-3中任一项所述的方法,其中,所述基于所确定的风险指标信息以及所述第一交通数据之外的第二交通数据,对所述待识别路段进行交通风险预测包括:
将所述风险指标信息和所述交通数据中除去所述第一交通数据之外的第二交通数据输入预先训练的风险预测模型,获得所述待识别路段的交通风险预测结果,所述交通风险预测结果包括是否有风险、风险类型以及风险概率中的至少一种。
6.根据权利要求1-3中任一项所述的方法,其中,在所述基于所确定的风险指标信息以及所述交通数据中除去所述第一交通数据之外的第二交通数据,对所述待识别路段进行交通风险预测之前,所述方法还包括:
对所述第一交通数据和/或第二交通数据进行预处理,所述预处理包括数据清洗、数据纠错和数据填补中的至少一种。
7.根据权利要求1-3中任一项所述的方法,其中,所述方法还包括:
基于交通风险预测结果确定对应的风险处理策略,所述风险处理策略包括基于交通应用进行风险预警、交通风险解决方案和风险后果处置方案中至少一种。
8.根据权利要求5所述的方法,其中,所述风险预测模型通过如下步骤生成:
获取路段样本关联的交通数据样本;
对所获取的交通数据样本进行数据识别,以从所述交通数据样本中选取出第一交通数据样本,所述第一交通数据样本至少用于表征路面状态;
根据所述第一交通数据样本在设定风险维度对应表征的风险指标信息、所述交通数据样本中所述第一交通数据样本之外的第二交通数据样本以及针对所述交通数据样本标记的交通风险,训练用于预测交通风险的风险预测模型。
9.根据权利要求1-3中任一项所述的方法,其中,所述待识别路段通过如下步骤确定:
将交通风险概率值的差值小于第一设定阈值的连续路段添加至同一路段集合,并将所述路段集合中的连续路段分别作为待识别路段。
10.根据权利要求9所述的方法,其中,所述将交通风险概率值的差值小于第一设定阈值的连续路段添加至同一路段集合包括:
对路面状态的相似度超出第二设定阈值的连续路段进行聚合,获得多个初始路段集合;
将交通风险概率值的差值小于第一设定阈值且处于同一初始路段集合中的路段划分至同一路段集合,所述交通风险概率值根据历史交通数据确定。
11.根据权利要求10所述的方法,其中,所述将交通风险概率值的差值小于第一设定阈值且处于同一初始路段集合中的路段划分至同一路段集合包括:
将交通风险概率值的差值小于第一设定阈值且处于同一初始路段集合中的路段划分至同一路段集合,获得参考路段集合;
拟合所述参考路段集合中路面特征集合与交通风险概率值的第二函数关系;
通过改变所述初始路段集合的个数,迭代更新所述第二函数关系;
在迭代终止时,将初始路段集合的划分结果确定为最终划分的路段集合。
12.根据权利要求9所述的方法,其中,所述交通风险概率值包括交通事故概率值和危险驾驶概率值中至少一种,所述交通风险概率的真实值根据与路段关联的交通数据计算得到。
13.根据权利要求1-3中任一项所述的方法,其中,所述第二交通数据包括如下至少一种:车辆监测设备采集的车辆行驶数据、交通管理数据、交通维护数据。
14.一种交通风险的预测方法,包括:
确定车辆当前行驶的目标路段;
获取所述目标路段的交通风险预测结果以及基于交通风险预测结果确定的风险处理策略;所述交通风险预测结果根据第一交通数据在设定风险维度对应表征的风险指标信息以及所述交通数据中除去第一交通数据之外的第二交通数据确定,所述第一交通数据从目标路段关联的交通数据中选取;
基于交通应用提示所述交通风险预测结果和风险处理策略。
15.一种电子设备,包括存储器、处理器及存储在存储器上的计算机程序,所述处理器在执行所述计算机程序时实现权利要求1-14中任一项所述的方法。
16.一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权利要求1-14中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211575181.1A CN116386316A (zh) | 2022-12-08 | 2022-12-08 | 交通风险的预测方法和装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211575181.1A CN116386316A (zh) | 2022-12-08 | 2022-12-08 | 交通风险的预测方法和装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116386316A true CN116386316A (zh) | 2023-07-04 |
Family
ID=86964366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211575181.1A Pending CN116386316A (zh) | 2022-12-08 | 2022-12-08 | 交通风险的预测方法和装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116386316A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116844340A (zh) * | 2023-08-29 | 2023-10-03 | 临沂大学 | 基于人工智能的道路交通风险预测方法 |
-
2022
- 2022-12-08 CN CN202211575181.1A patent/CN116386316A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116844340A (zh) * | 2023-08-29 | 2023-10-03 | 临沂大学 | 基于人工智能的道路交通风险预测方法 |
CN116844340B (zh) * | 2023-08-29 | 2023-11-21 | 临沂大学 | 基于人工智能的道路交通风险预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11836802B2 (en) | Vehicle operation analytics, feedback, and enhancement | |
Feng et al. | Can vehicle longitudinal jerk be used to identify aggressive drivers? An examination using naturalistic driving data | |
US11242064B1 (en) | Vehicle to vehicle telematics | |
Wang et al. | Speed, speed variation and crash relationships for urban arterials | |
CN111489588B (zh) | 车辆驾驶风险预警方法及装置、设备、存储介质 | |
CN112700072B (zh) | 交通状况预测方法、电子设备和存储介质 | |
CN110288096B (zh) | 预测模型训练及预测方法、装置、电子设备、存储介质 | |
CN106127586A (zh) | 大数据时代下车险费率辅助决策系统 | |
US20160189303A1 (en) | Risk Based Automotive Insurance Rating System | |
CN107784587A (zh) | 一种驾驶行为评价系统 | |
CN111785023A (zh) | 一种车辆碰撞风险预警方法及系统 | |
CN114076631A (zh) | 超载车辆识别方法、系统及设备 | |
Abdel-Aty et al. | Safety and operational impact of connected vehicles’ lane configuration on freeway facilities with managed lanes | |
KR20200013274A (ko) | 도로 안전성 평가 방법 및 이를 수행하기 위한 장치 | |
Khoo et al. | Modeling of passengers’ safety perception for buses on mountainous roads | |
CN112687099B (zh) | 一种超载嫌疑车辆判定方法和装置 | |
CN110599791A (zh) | 信息监控方法、装置和设备 | |
CN116386316A (zh) | 交通风险的预测方法和装置、电子设备及存储介质 | |
Kim et al. | Use of digital tachograph data to provide traffic safety education and evaluate effects on bus driver behavior | |
LU100760B1 (en) | Vehicular motion assessment method | |
KR20130092915A (ko) | 안전 운행 지수 산정 시스템에서 차량의 안전 운행 지수 산정 방법, 안전 운행 지수 산정 시스템을 이용한 자동차 보험료 산정 방법, 및 이를 적용한 안전 운행 지수 산정 시스템 | |
CN111985749A (zh) | 一种道路风险的评估方法及装置 | |
CN113990088A (zh) | 一种高速公路恶劣天气下安全通行告知软件系统 | |
Agnoor et al. | Analysis of driving behaviour through instrumented vehicles | |
CN111739288A (zh) | 基于人工智能的车辆驾驶风险分析方法及相关装置 |
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 |