CN116416778A - 一种区域安全风险评估方法、系统、装置及存储介质 - Google Patents
一种区域安全风险评估方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN116416778A CN116416778A CN202111644640.2A CN202111644640A CN116416778A CN 116416778 A CN116416778 A CN 116416778A CN 202111644640 A CN202111644640 A CN 202111644640A CN 116416778 A CN116416778 A CN 116416778A
- Authority
- CN
- China
- Prior art keywords
- risk
- road
- data
- features
- determining
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000003068 static effect Effects 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims description 88
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 description 49
- 230000008569 process Effects 0.000 description 24
- 238000012986 modification Methods 0.000 description 16
- 230000004048 modification Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 10
- 230000007613 environmental effect Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000003442 weekly 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
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本说明书实施例提供了一种区域安全风险评估方法、系统、装置及存储介质。所述方法包括:获取目标区域内多个路段的路段数据;基于所述路段数据,提取风险特征,所述风险特征包括静态特征和动态特征;至少基于所述风险特征,通过区域安全风险评估模型,确定所述目标区域的风险信息。
Description
技术领域
本说明书涉及自动驾驶技术领域,特别涉及一种区域安全风险评估方法、系统、装置及存储介质。
背景技术
随着自动驾驶技术的发展,推动了自动驾驶技术测试以及商业化运营的进程。自动驾驶技术测试与示范应用安全可控、分步有序地开放,需要一套可靠、成熟、通用的测算方法评估区域及区域内道路的安全风险,从而指导自动驾驶测试以及商业化运营道路的选择。现有的地标评价体系主要通过人工方式进行,在数据采集、体系更新及数据量等方面存在局限性,缺乏通用性、延展性及可靠性。因此,有必要提供一种区域安全风险评估方法、系统、装置及存储介质,以提升区域安全风险评估体系的通用性、延展性及可靠性。
发明内容
本说明书实施例之一提供一种区域安全风险评估方法,所述方法包括:获取目标区域内多个路段的路段数据;基于所述路段数据,提取风险特征,所述风险特征包括静态特征和动态特征;至少基于所述风险特征,通过区域安全风险评估模型,确定所述目标区域的风险信息。
本说明书实施例之一提供一种区域安全风险评估系统,所述系统包括:获取模块,用于获取目标区域内多个路段的路段数据;提取模块,用于基于所述路段数据,提取风险特征,所述风险特征包括静态特征和动态特征;确定模块,用于至少基于所述风险特征,通过区域安全风险评估模型,确定所述目标区域的风险信息。
本说明书实施例之一提供一种区域安全风险评估装置,所述装置包括:至少一个存储介质,存储计算机指令;至少一个处理器,执行所述计算机指令,以实现本说明书任一实施例所述的方法。
本说明书实施例之一提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取所述计算机指令时,所述计算机执行本说明书任一实施例所述的方法。
本说明书实施例之一提供一种计算机程序产品,包括计算机程序或指令,该计算机程序或指令被处理器执行时实现本说明书任一实施例所述的方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的示例性区域安全风险评估系统的应用场景示意图;
图2是根据本说明书一些实施例所示的示例性区域安全风险评估系统的模块图;
图3是根据本说明书一些实施例所示的示例性区域安全风险评估方法的流程图;
图4是根据本说明书一些实施例所示的示例性风险信息确定方法的流程图;
图5是根据本说明书一些实施例所示的示例性路段风险等级确定方法的流程图;
图6是根据本说明书一些实施例所示的示例性重要特征的示意图;
图7是根据本说明书一些实施例所示的示例性道路风险等级确定方法的流程图;
图8是根据本说明书一些实施例所示的示例性区域安全风险评估过程的示意图;
图9是根据本说明书一些实施例所示的示例性数据获取以及处理过程的示意图;
图10是根据本说明书一些实施例所示的示例性特征空间确定方法的流程图;
图11是根据本说明书一些实施例所示的示例性特征空间构建以及优化过程的示意图;以及
图12是根据本说明书一些实施例所示的示例性区域安全风险评估模型训练方法的流程图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的示例性区域安全风险评估系统的应用场景示意图。在一些实施例中,区域安全风险评估系统100可以是用于自动驾驶服务的线上服务平台。在一些实施例中,区域安全风险评估系统100可以用于进行与自动驾驶服务相关的区域和/或区域内道路的安全风险评估。
在一些实施例中,如图1所示,区域安全风险评估系统100可以包括服务器110、网络120、数据获取设备130、信息源140及存储设备150。
服务器110可以是单个服务器或服务器群组。服务器群组可以是集中式的或分布式的(例如,服务器110可以是分布式系统)。在一些实施例中,服务器110可以是本地的或远程的。例如,服务器110可以通过网络120访问存储在数据获取设备130、信息源140和/或存储设备150中的信息和/或数据。再例如,服务器110可以直接连接到数据获取设备130、信息源140和/或存储设备150以访问存储的信息和/或数据。在一些实施例中,服务器110可以在云平台上实现。仅作为示例,云平台可以包括私有云、公共云、混合云、社区云、分布云、云之间、多重云等或上述举例的任意组合。
在一些实施例中,服务器110可以包括处理设备112,用于实现本说明书描述的示例性方法和/或系统。例如,处理设备112可以从数据获取设备130中获取目标区域内多个路段的路段数据,并基于路段数据提取风险特征。进一步地,处理设备112可以至少基于风险特征,通过区域安全风险评估模型,确定目标区域的风险信息。
在一些实施例中,服务器110和/或处理设备112可以通过计算设备实现,例如,包括处理器、存储器、网络接口、通信接口、显示设备等的计算设备。
网络120可以促进信息和/或数据的交换。在一些实施例中,区域安全风险评估系统100中的组件(例如,服务器110、数据获取设备130、信息源140和/或存储设备150)可以通过网络120向区域安全风险评估系统100中的其他组件发送信息和/或数据。例如,服务器110可以通过网络120从数据获取设备130、信息源140和/或存储设备150获取路段数据。在一些实施例中,网络120可以是有线网络或无线网络中的任意一种或其组合。例如,网络120可以包括电缆网络、有线网络、光纤网络、远程通信网络、内联网、互联网、局域网(LAN)、广域网(WAN)、无线局域网(WLAN)、城域网(MAN)、公共开关电话网络(PSTN)、蓝牙网络、ZigBee网络、近场通讯(NFC)网络等或上述举例的任意组合。在一些实施例中,网络120可以包括一个或多个网络接入点。例如,网络120可能包括有线或无线网络接入点,如基站和/或互联网交换点120-1、120-2等。通过网络接入点,区域安全风险评估系统100的组件可以连接到网络120以交换数据和/或信息。
数据获取设备130可以获取与交通参与者相关的数据。在一些实施例中,数据获取设备130可以获取车辆行驶数据(例如,车辆行驶轨迹(例如,GPS轨迹)、车辆行驶速度、车辆行驶加速度、车辆行驶方向、行驶路段、车辆流量等)。在一些实施例中,数据获取设备130还可以获取车辆碰撞相关数据(例如,是否发生碰撞、碰撞次数、碰撞严重程度等)和/或交通参与者数据(例如,机动车流量、非机动车流量、行人流量、路侧停车情况等)。在一些实施例中,数据获取设备130可以实时获取相关数据。在一些实施例中,数据获取设备130可以周期性(例如,以一定时间间隔)获取相关数据。
在一些实施例中,数据获取设备130可以包括但不限于移动设备130-1、车载内置设备130-2、笔记本电脑130-3、台式计算机130-4等或其任意组合。在一些实施例中,移动设备130-1可以包括但不限于智能手机、个人数码助理(Personal Digital Assistance,PDA)、平板电脑、掌上游戏机、智能眼镜、智能手表、可穿戴设备、虚拟显示设备、显示增强设备等或其任意组合。在一些实施例中,车载内置设备130-2可以包括但不限于行车记录装置(例如,行车记录仪)、车载导航定位装置、车辆传感器(例如,速度传感器、加速度传感器、距离传感器)、车载电脑、车载抬头显示(HUD)、车载自动诊断系统(OBD)等或其任意组合。
在一些实施例中,数据获取设备130可以包括定位装置和/或与定位装置通讯。在一些实施例中,定位装置可以包括全球定位系统(GPS)、格洛纳斯卫星导航系统(GLONASS)、北斗卫星导航系统(BeiDou)、伽利略卫星导航系统(Galileo)、准天顶卫星系统(QZSS)、无线保真(WiFi)等或其任意组合。
信息源140可以为区域安全风险评估系统100提供参考信息。在一些实施例中,信息源140可以包括路网数据源和/或与路网数据源通信,以提供路网数据(例如,地物、速度管理信息、路段名称、路段编号、路段平整度、路段坡度、路段曲率、路段长度、路段宽度、路段方向、标志标线、路面抗滑系数、交叉口属性、红绿灯配时等)。在一些实施例中,信息源140可以提供与区域安全风险评估相关的环境数据(例如,天气信息、风力信息、光线、视距、树荫遮挡信息等)。在一些实施例中,信息源140可以提供与区域安全风险评估相关的其他信息,例如,评估时间、评估区域、法律法规信息、新闻信息等。在一些实施例中,信息源140中的数据可以动态更新(例如,实时更新、周期性更新等)。例如,如果存在新增路段、路段类型变更等,路网数据可以动态更新。
存储设备150可以存储数据和/或指令。在一些实施例中,存储设备150可以存储从服务器110、数据获取设备130和/或信息源140获取的数据(例如,车辆行驶数据、路网数据、车辆碰撞相关数据、环境数据、交通参与者数据等)。在一些实施例中,存储设备150可以将从服务器110、数据获取设备130和/或信息源140获取的数据划分为多个数仓存储,例如,车辆行驶数据数仓、路网数据数仓、车辆碰撞数据数仓、环境数据数仓、交通参与者数据数仓等。在一些实施例中,存储设备150可以存储供服务器110执行或使用的数据和/或指令(例如,用于实现本说明书描述的示例性方法的数据和/或指令)。
在一些实施例中,存储设备150可以与网络120连接以实现与区域安全风险评估系统100中的其他组件(例如,服务器110、数据获取设备130、信息源140等)之间的通信。在一些实施例中,存储设备150可以直接与区域安全风险评估系统100的其他组件(例如,服务器110、数据获取设备130、信息源140等)连接或通信。
在一些实施例中,信息源140和/或存储设备150可以是服务器110的一部分。在一些实施例中,信息源140可以是存储设备150的一部分。在一些实施例中,存储设备150可以是信息源140的一部分。在一些实施例中,信息源140和存储设备150可以信息或存储空间共享。
需要注意的是,以上对于区域安全风险评估系统100的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对系统及其组件做出各种改变。
图2是根据本说明书一些实施例所示的示例性区域安全风险评估系统的模块图。在一些实施例中,区域安全风险评估系统200可以通过处理设备112实现。在一些实施例中,区域安全风险评估系统200可以包括获取模块210、提取模块220以及确定模块230。
获取模块210可以用于获取目标区域内多个路段的路段数据。关于获取目标区域内多个路段的路段数据的更多内容可以参见步骤310及其相关描述,在此不再赘述。
提取模块220可以用于基于路段数据,提取风险特征。在一些实施例中,风险特征可以包括静态特征和动态特征。关于基于路段数据提取风险特征的更多内容可以参见步骤320及其相关描述,在此不再赘述。
确定模块230可以用于至少基于风险特征,通过区域安全风险评估模型,确定目标区域的风险信息。关于确定目标区域的风险信息的更多内容可以参见步骤330及其相关描述,在此不再赘述。
在一些实施例中,区域安全风险评估系统200还可以包括模型训练模块(图2中未体现)。在一些实施例中,模型训练模块可以用于训练区域安全风险评估模型。关于训练区域安全风险评估模型的更多内容可以参见图12及其相关描述,在此不再赘述。
应当理解,图2所示的区域安全风险评估系统200及其模块可以利用各种方式实现,例如,通过硬件、软件或者软件和硬件的结合实现。本说明书的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要注意的是,以上对于区域安全风险评估系统200及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。例如,在一些实施例中,获取模块210、提取模块220和确定模块230可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。又例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。又例如,模型训练模块也可以是独立于区域安全风险评估系统200的独立模块。诸如此类的变形,均在本申请的保护范围之内。
图3是根据本说明书一些实施例所示的示例性区域安全风险评估方法的流程图。在一些实施例中,流程300可以由处理设备112或区域安全风险评估系统200执行。例如,流程300可以以程序或指令的形式存储在存储设备(例如,存储设备150、处理设备112的存储单元)中,当处理器或图2所示的模块执行程序或指令时,可以实现流程300。在一些实施例中,流程300可以利用以下未描述的一个或以上附加操作,和/或不通过以下所讨论的一个或以上操作完成。另外,如图3所示的操作的顺序并非限制性的。
步骤310,获取目标区域内多个路段的路段数据。在一些实施例中,步骤310可以由获取模块210执行。
在一些实施例中,目标区域可以是需要进行区域安全风险评估的区域。在一些实施例中,目标区域可以包括多个路段。在一些实施例中,多个路段可以彼此独立或相连接。在一些实施例中,处理设备112可以以路段为单位获取路段数据。
在一些实施例中,路段数据可以包括路段上与车辆行驶或路网相关的数据。在一些实施例中,路段数据可以包括多个路段的车辆行驶数据、路网数据或车辆碰撞相关数据中的至少一种。在一些实施例中,车辆行驶数据可以包括车辆行驶轨迹(例如,GPS轨迹)、车辆行驶速度、车辆行驶加速度、车辆行驶方向、行驶路段、车辆流量等或其任意组合。在一些实施例中,路网数据可以包括地物、速度管理信息、路段名称、路段编号、路段平整度、路段坡度、路段曲率、路段长度、路段宽度、路段方向、标志标线、路面抗滑系数、交叉口属性、红绿灯配时等或其任意组合。在一些实施例中,车辆碰撞相关数据可以包括是否发生碰撞、碰撞次数、碰撞严重程度等或其任意组合。
在一些实施例中,路段数据还可以包括多个路段的环境数据、交通参与者数据等。在一些实施例中,环境数据可以包括天气信息、风力信息、光线、视距、树荫遮挡信息等或其任意组合。在一些实施例中,交通参与者数据可以包括机动车流量、非机动车流量、行人流量、路侧停车情况等或其任意组合。
在一些实施例中,处理设备112可以从数据获取设备130中获取车辆行驶数据、车辆碰撞相关数据和/或交通参与者数据。在一些实施例中,处理设备112可以从信息源140中获取路网数据和/或环境数据。在一些实施例中,处理设备112可以从存储设备150中获取上述数据。
在一些实施例中,处理设备112可以获取一定时间段内(例如,1天、1周、1个月、3个月等)的上述数据。在一些实施例中,处理设备112可以基于时间区间获取上述数据。例如,处理设备112可以获取1个月内的早高峰期、平峰期、晚高峰期和夜晚区间分别对应的上述数据。
步骤320,基于路段数据,提取风险特征。在一些实施例中,步骤320可以由提取模块220执行。
在一些实施例中,风险特征可以是对区域安全风险评估结果有影响的特征。在一些实施例中,风险特征可以包括静态特征和动态特征。在一些实施例中,可以通过特征空间确定风险特征。在一些实施例中,可以通过筛选、处理、专家参与等方式,通过大量样本特征确定特征空间。关于特征空间的更多内容可以参见图10的相关描述,在此不作赘述。
在一些实施例中,静态特征可以反映道路的基础属性。在一些实施例中,静态特征可以按照道路和车道进行划分。例如,下表1示例性示出了静态特征示例。
表1静态特征示例
在一些实施例中,动态特征可以反映道路的动态属性。在一些实施例中,动态特征可以按照行为、类型及时间段进行划分,并进行自由组合。
表2动态特征示例
由表2可知,表2中的动态特征包括不同的时间段。在一些实施例中,在区域安全风险评估过程中,可以基于不同的时间段,对目标区域的路段的风险信息进行分时评估。
在一些实施例中,以某个特定路段为例,处理设备112可以基于路网数据,对道路进行类型、属性、功能等级等维度的划分,从而确定各项静态特征。在一些实施例中,处理设备112可以对经过该路段的车辆行驶轨迹进行分析统计,以确定车辆的纵向行为和横向行为等。在一些实施例中,处理设备112可以对经过该路段的车辆进行统计分析,以确定经过该路段的车辆类型、各车辆类型的数量等。
在一些实施例中,处理设备112可以通过对路段数据进行数据抽取、计算、整合等方式提取风险特征。在一些实施例中,处理设备112可以通过机器学习模型,自动基于路段数据提取风险特征。
步骤330,至少基于风险特征,通过区域安全风险评估模型,确定目标区域的风险信息。在一些实施例中,步骤330可以由确定模块230执行。
在一些实施例中,可以通过线下训练方式确定区域安全风险评估模型。关于区域安全风险评估模型的训练过程可以参见的图12的相关描述,在此不作赘述。
在一些实施例中,目标区域的风险信息可以包括目标区域内各个路段或道路的风险等级。在一些实施例中,风险等级可以包括低风险、一般风险、较高风险、高风险等中的至少一种。
在一些实施例中,处理设备112可以至少将风险特征输入至区域安全风险评估模型,并基于区域安全风险评估模型的输出,确定目标区域的风险信息。
在一些实施例中,处理设备112可以进一步基于路段数据,确定多个路段分别对应的碰撞信息;并基于风险特征和碰撞信息,通过区域安全风险评估模型,确定目标区域的风险信息。具体地,处理设备112可以将风险特征和碰撞信息输入区域安全风险评估模型,并基于区域安全风险评估模型的输出,确定目标区域的风险信息。
在一些实施例中,区域安全风险评估模型的输出可以包括多个路段分别对应的风险值和至少一个重要特征。相应地,处理设备112可以基于至少一个重要特征和至少一个重要特征分别对应的阈值,确定路段的参考风险情况;并基于风险值和参考风险情况,确定路段的风险等级。关于基于区域安全风险评估模型的输出,确定目标区域的风险信息的更多内容可以参见图4和图5的相关内容,在此不作赘述。
在一些实施例中,处理设备112可以通过区域安全风险评估模型,确定多个路段分别对应的风险等级;并基于多个路段分别对应的风险等级,确定目标区域内道路的道路风险等级。关于基于多个路段分别对应的风险等级,确定目标区域内道路的道路风险等级的更多内容可以参见图7的相关内容,在此不作赘述。
应当注意的是,上述有关流程300的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程300进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。例如,表2中动态特征的高峰、平峰和夜晚的时间段可以根据不同目标区域或不同季节划分为不同时间段。具体例如,高峰的时间段可以为07:00~10:00和17:00~21:00;平峰的时间段可以为06:00~07:00和10:00~17:00;夜晚的时间段可以为21:00~06:00。诸如此类的变形,均在本申请的保护范围之内。
图4是根据本说明书一些实施例所示的示例性风险信息确定方法的流程图。在一些实施例中,流程400可以由处理设备112或区域安全风险评估系统200执行。例如,流程400可以以程序或指令的形式存储在存储设备(例如,存储设备150、处理设备112的存储单元)中,当处理器或图2所示的模块执行程序或指令时,可以实现流程400。在一些实施例中,流程400可以利用以下未描述的一个或以上附加操作,和/或不通过以下所讨论的一个或以上操作完成。另外,如图4所示的操作的顺序并非限制性的。
步骤410,基于路段数据,确定多个路段分别对应的碰撞信息。在一些实施例中,步骤410可以由确定模块230执行。
在一些实施例中,碰撞信息可以体现车辆碰撞的相关信息。以某个特定路段为例,该路段的碰撞信息可以体现经过该路段的车辆发生碰撞的总体程度。在一些实施例中,碰撞信息可以包括碰撞标签和碰撞等级。在一些实施例中,碰撞标签可以体现车辆是否发生碰撞(相应标记为1或0)。在一些实施例中,碰撞等级可以包括轻微碰撞、一般碰撞、中度碰撞及严重碰撞。在一些实施例中,碰撞等级可以以文字、数值、向量、矩阵、图片等形式体现。例如,可以通过0-1或0-100等类似数值区间体现碰撞等级,数值越大,碰撞等级越高。
在一些实施例中,以某个特定路段为例,处理设备112可以基于该路段的车辆碰撞相关数据,确定碰撞信息。例如,以某一特定时间段(例如,1天)为例,在该时间段内,该路段发生碰撞10次,且其中8次碰撞程度较严重,相应地,处理设备112可以确定该路段的碰撞标签为1,碰撞等级为80(以0-100的数值区间计算)或严重碰撞。
步骤420,将风险特征和碰撞信息输入区域安全风险评估模型。在一些实施例中,步骤420可以由确定模块230执行。
在一些实施例中,处理设备112可以对风险特征和碰撞信息进行清洗、向量化、归一化、离散化、数据变换等处理,并将处理后的风险特征和碰撞信息输入区域安全风险评估模型。
步骤430,基于区域安全风险评估模型的输出,确定目标区域的风险信息。在一些实施例中,步骤430可以由确定模块230执行。
在一些实施例中,区域安全风险评估模型的输出可以包括多个路段分别对应的风险值和至少一个重要特征。
在一些实施例中,以一个特定路段为例,路段的风险值可以综合体现该路段可能发生的风险程度。在一些实施例中,风险值可以以文字、数值、向量、矩阵、图片等形式体现。例如,风险值可以通过0-1或1-100等类似数值区间中的任一值体现风险程度,数值越大,风险程度越高。
在一些实施例中,以一个特定路段为例,路段对应的重要特征可以是对该路段的风险情况有较大影响的特征。在一些实施例中,不同路段、不同道路或不同区域对应的重要特征可以不同。在一些实施例中,不同时刻或不同时段对应的重要特征可以不同。例如,以一个特定路段或区域为例,如图6所示,至少一个重要特征可以包括交通流量、车辆速度、大车比例以及摩托车比例。
在一些实施例中,每一个重要特征可以对应一个或多个阈值。以一个特定重要特征为例,阈值可以体现该重要特征的风险临界情况。基于重要特征和其对应的阈值,可以确定路段的参考风险情况。
在一些实施例中,以一个特定路段为例,处理设备112可以基于区域安全风险评估模型输出的风险值和至少一个重要特征对应的参考风险情况,综合确定该路段的风险等级。关于基于风险值和参考风险情况,确定路段的风险等级的更多内容可以参见图5的相关描述,在此不作赘述。
应当注意的是,上述有关流程400的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程400进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。例如,重要特征还可以包括交通流量、车辆速度、非机动车流量、时间段等或其任意组合。又例如,碰撞信息可以和风险特征一同提取或作为风险特征的一部分。诸如此类的变形,均在本申请的保护范围之内。
图5是根据本说明书一些实施例所示的示例性路段风险等级确定方法的流程图。在一些实施例中,流程500可以由处理设备112或区域安全风险评估系统200执行。例如,流程500可以以程序或指令的形式存储在存储设备(例如,存储设备150、处理设备112的存储单元)中,当处理器或图2所示的模块执行程序或指令时,可以实现流程500。在一些实施例中,流程500可以利用以下未描述的一个或以上附加操作,和/或不通过以下所讨论的一个或以上操作完成。另外,如图5所示的操作的顺序并非限制性的。
在一些实施例中,可以对多个路段中的每一个路段,确定路段的风险等级。具体可以包括以下步骤:
步骤510,基于至少一个重要特征和至少一个重要特征分别对应的阈值,确定路段的参考风险情况。在一些实施例中,步骤510可以由确定模块230执行。
在一些实施例中,以一个特定重要特征为例,其对应的阈值可以体现该重要特征的风险临界情况。例如,“交通流量”可以对应A、B、C三个阈值,其中A>B>C。交通流量大于A时,参考风险情况高;交通流量位于A和B之间时,参考风险情况较高;交通流量位于B和C之间时,参考风险情况一般;交通流量小于C时,参考风险情况较低。
在一些实施例中,重要特征对应的阈值可以是系统默认值(例如,经验值),也可以针对不同情况动态调整。在一些实施例中,不同路段、不同道路或不同区域对应的阈值可以不同。在一些实施例中,不同时刻或不同时段对应的阈值可以不同。
在一些实施例中,在基于重要特征及其对应的阈值确定路段的参考风险情况时,还可以结合专家意见。
在一些实施例中,专家意见可以是专家对重要特征和/或重要特征对应的阈值的专业性调整意见。在一些实施例中,以一个特定路段为例,根据专家意见,可以调整重要特征的类别和/或数量。在一些实施例中,根据专家意见,可以增加、减少或变更重要特征的类别和/或数量。例如,若一个特定路段的重要特征为“大车比例”,根据专家意见可以调整重要特征为“交通流量”和/或“车辆速度”。又例如,若一个特定路段的重要特征为“大车比例”和“摩托车比例”,根据专家意见可以调整重要特征为“车辆速度”。又例如,若一个特定路段的重要特征为“大车比例”和“摩托车比例”,根据专家意见可以调整重要特征为“大车比例”、“交通流量”和“车辆速度”。在一些实施例中,以一个特定路段为例,根据专家意见可以调整重要特征对应的阈值。例如,若一个特定路段的重要特征为“大车比例”,其对应的阈值为D,大于D时,参考风险情况高,小于D时,参考风险情况低。根据专家意见可以结合该路段的具体情况(例如,车辆行驶数据、路网数据等)或该路段所处的区域的具体情况,调节阈值D的具体数值。
步骤520,基于风险值和参考风险情况,确定路段的风险等级。在一些实施例中,步骤520可以由确定模块230执行。
结合图3或图4所述,路段的风险值由区域安全风险评估模型输出。在模型输出的风险值基础上,可以结合重要特征所确定的参考风险情况,确定路段的最终风险等级。
在一些实施例中,处理设备112可以基于风险值与参考风险情况的匹配情况,确定路段的最终风险等级。匹配情况可以表明风险值所体现的风险程度与参考风险情况所体现的风险程度是否一致或基本一致。例如,若风险值表明风险程度较高或高,而参考风险情况表明风险程度较低或一般,则二者不匹配。又例如,若风险值表明风险程度较高,而参考风险情况也表明风险程度较高,则二者相匹配。
在一些实施例中,若风险值与参考风险情况相匹配,处理设备112可以直接基于风险值或参考风险情况,确定路段的风险等级。例如,假设风险值为30,参考风险情况为一般,即风险值与参考风险情况相匹配,则处理设备112可以确定路段的风险等级为一般风险。
在一些实施例中,若风险值与参考风险情况不相匹配,处理设备112可以结合专家意见确定路段的风险等级。例如,若风险值为30,而参考风险情况较高,即风险值与参考风险情况不相匹配,此时可以结合专家意见,确定路段的最终风险等级。
通过不同路段的不同重要特征以及对应的阈值,以及与专家意见相结合的方式,可以提高区域安全风险评估体系的可靠性,在一定程度上消除确定风险等级时过度依赖输入数据可靠性而导致的结果偏差。
应当注意的是,上述有关流程500的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程500进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。例如,根据专家意见调整重要特征和/或重要特征对应的阈值时,不限于步骤520中所列举的四种,还可以包括其他调整方式。诸如此类的变形,均在本申请的保护范围之内。
图7是根据本说明书一些实施例所示的示例性道路风险等级确定方法的流程图。在一些实施例中,流程700可以由处理设备112或区域安全风险评估系统200执行。例如,流程700可以以程序或指令的形式存储在存储设备(例如,存储设备150、处理设备112的存储单元)中,当处理器或图2所示的模块执行程序或指令时,可以实现流程700。在一些实施例中,流程700可以利用以下未描述的一个或以上附加操作,和/或不通过以下所讨论的一个或以上操作完成。另外,如图7所示的操作的顺序并非限制性的。
步骤710,至少基于风险特征,通过区域安全风险评估模型,确定多个路段分别对应的风险等级。在一些实施例中,步骤710可以由确定模块230执行。
在一些实施例中,可以将多个路段分别对应的风险特征和/或碰撞信息分别输入区域安全风险评估模型,并确定多个路段分别对应的风险等级。更多内容可以参见图3-图6的相关描述,在此不作赘述。
步骤720,基于多个路段分别对应的风险等级,确定目标区域内道路的道路风险等级,其中,每条道路包括至少一个路段。在一些实施例中,步骤720可以确定模块230执行。
在一些实施例中,处理设备112可以对道路所包括的多个路段的风险等级进行综合处理,以确定该道路的道路风险等级。
在一些实施例中,处理设备112可以通过以下公式(1)确定道路风险等级:
在一些实施例中,处理设备112可以计算多个路段的风险等级的平均值或加权平均值,以得到道路风险等级。在一些实施例中,处理设备112可以通过下述公式(2)确定道路风险等级:
其中,表示第i个路段的权重,N表示路段的数量。在一些实施例中,路段的权重可以与路段的车辆行驶数据、路网数据、车辆碰撞相关数据或环境数据中的至少一个相关。例如,路段长度越长,该路段的权重越大。又例如,路段的碰撞等级越大,该路段的权重越大。又例如,路段的光线越暗或树荫遮挡越多,该路段的权重越大。又例如,路段的机动车流量或非机动车流量越多,该路段的权重越大。在一些实施例中,路段的权重可以结合专家意见调整。
应当注意的是,上述有关流程700的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程700进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。例如,处理设备112还可以根据道路中至少一个路段的风险等级计算几何平均值,以得到道路风险等级。诸如此类的变形,均在本申请的保护范围之内。
图8是根据本说明书一些实施例所示的示例性区域安全风险评估过程的示意图。
如图8所示,以某个特定路段为例,处理设备112可以将风险特征和碰撞信息输入区域安全风险评估模型,区域安全风险评估模型输出该路段的风险值和至少一个重要特征。处理设备112可以基于该路段的风险值和至少一个重要特征,结合专家意见,确定该路段的风险等级。具体地,处理设备112可以基于至少一个重要特征和至少一个重要特征分别对应的阈值,结合专家意见,确定路段的参考风险情况。进一步地,处理设备112可以基于风险值和参考风险情况的匹配情况,结合专家意见,确定路段的风险等级。在一些实施例中,道路通常包括多个路段。处理设备112可以基于多个路段分别对应的风险等级,确定目标区域内各个道路的道路风险等级。
图9是根据本说明书一些实施例所示的示例性数据获取以及处理过程的示意图。
在本说明书中,区域安全风险评估模型训练的根基是借助大数据等手段实现基础数据的获取。基础数据涉及多种维度,使得模型可以实现对区域的综合安全风险评估。为了保证模型训练过程的可靠性,需要对获取的基础数据进行一系列处理,以确定用于模型训练的样本路段数据(训练数据集)。
在一些实施例中,处理设备112可以从多个数仓(例如,路网数据数仓、车辆行驶数据数仓、车辆碰撞数据数仓、环境数据数仓、交通参与者数据数仓等)提取相应的基础数据。
在一些实施例中,处理设备112可以将多个数仓中的基础数据进行数据融合处理。在一些实施例中,可以以路段为基本单元,对数据进行融合处理。在一些实施例中,处理设备112可以对道路进行划分,以确定多个路段,并以路段为单位对基础数据进行初步划分处理。在一些实施例中,处理设备112可以从数据源140中获取路段划分结果和/或通过与其他接口通信以获取路段划分结果。在一些实施例中,基础数据本身是以路段形式存储的,则无需再进行路段划分。
在一些实施例中,在确定以路段为基本单位的基础数据后,处理设备112可以进行特征空间构建,以确定后续用于模型训练的训练特征。关于原始特征空间构建的更多内容可以参见图10的相关内容,在此不作赘述。
在一些实施例中,处理设备112可以对数据进行风险状态标定。风险状态可以体现路段的碰撞风险。在一些实施例中,处理设备112可以基于路段的车辆碰撞相关数据,进行风险状态标定。例如,以某一特定时间段为例,在该时间段内,该路段发生碰撞10次,且其中8次碰撞程度较严重,相应地,处理设备112可以确定该路段的碰撞标签为1,碰撞等级为80(以0-100的数值区间计算)或严重碰撞。又例如,以某个特定路段为例,该路段未发生过碰撞,相应地,处理设备112可以确定该路段的碰撞标签为0。
在一些实施例中,完成数据融合后,处理设备112可以将数据划分为发生碰撞的数据集和未发生碰撞的数据集,作为后续模型训练的样本数据集。在一些实施例中,样本数据集可以包括多个训练样本。在一些实施例中,每个训练样本可以包括样本路段的样本风险特征和/或样本路段的样本碰撞信息(例如,样本碰撞标签、样本碰撞等级)。在一些实施例中,还可以确定每个训练样本对应的训练标签(label)。在一些实施例中,训练标签可以包括样本路段对应的样本风险值和样本重要特征。在一些实施例中,训练标签可以手动标记,也可以由处理设备112自动标记。关于模型训练的更多描述可见图12的相关内容,在此不作赘述。
图10是根据本说明书一些实施例所示的示例性特征空间确定方法的流程图;图11是根据本说明书一些实施例所示的示例性特征空间确定方法的示意图。在一些实施例中,流程1000可以由处理设备112、区域安全风险评估系统200或模型训练模块执行。例如,流程1000可以以程序或指令的形式存储在存储设备(例如,存储设备150、处理设备112的存储单元)中,当处理器、图2所示的模块或模型训练模块执行程序或指令时,可以实现流程1000。在一些实施例中,流程1000可以利用以下未描述的一个或以上附加操作,和/或不通过以下所讨论的一个或以上操作完成。另外,如图10所示的操作的顺序并非限制性的。下面结合图10和图11,对特征空间确定过程进行详细描述。
步骤1010,基于样本路段数据,确定样本静态特征集和样本动态特征集。在一些实施例中,步骤1010可以由提取模块220或模型训练模块执行。
在一些实施例中,样本路段数据可以包括路段上与车辆行驶或路网相关的样本数据。在一些实施例中,样本路段数据可以包括多个路段的样本车辆行驶数据、样本路网数据或样本车辆碰撞相关数据中的至少一种。在一些实施例中,样本路段数据还可以包括多个路段的样本环境数据、样本交通参与者数据等。在一些实施例中,处理设备112可以从多个数仓(例如,路网数据数仓、车辆行驶数据数仓、车辆碰撞数据数仓、环境数据数仓、交通参与者数据数仓等)提取相应的样本路段数据。在一些实施例中,样本路段数据可以与路段数据所包含的数据类型相同或类似。关于样本路段数据的更多内容可以参见图3中关于路段数据的相关描述,在此不作赘述。
在一些实施例中,样本静态特征集可以反映多个路段的基础属性。在一些实施例中,样本静态特征集可以包括多个路段的静态特征的集合。在一些实施例中,样本静态特征集可以与静态特征所包含的特征类型相同或类似。关于样本静态特征集的更多内容可以参见图3中关于静态特征的相关描述,在此不作赘述。
在一些实施例中,如图11所示,处理设备112可以基于样本路段数据中的路网数据,结合专家知识(例如,静态场景构成指标、交通参与者行为、行车常识等),确定样本静态特征集。在一些实施例中,在确定样本静态特征集时,处理设备112可以将场景中与安全风险评估相关性较低的特征要素(例如,场景中的草坪、天空等)去除。
在一些实施例中,样本动态特征集可以反映多个路段的动态属性。在一些实施例中,样本动态特征集可以包括多个路段的动态特征的集合。在一些实施例中,样本动态特征集可以与动态特征所包含的特征类型相同或类似。关于样本动态特征集的更多内容可以参见图3中关于动态特征的相关描述,在此不作赘述。
在一些实施例中,如图11所示,处理设备112可以将样本路段数据中的样本车辆行驶数据、样本车辆碰撞相关数据、样本环境数据和/或样本交通参与者数据进行数据集成,确定样本动态特征集。
在一些实施例中,如图11所示,根据上述处理,可以得到包含动态特征集和静态特征集的数据,完成原始特征空间的构建。
步骤1020,通过特征处理模型,确定样本静态特征集和样本动态特征集中的样本特征分别对应的重要性。在一些实施例中,步骤1020可以由提取模块220或模型训练模块执行。
在一些实施例中,可以通过线下训练方式确定特征处理模型。在一些实施例中,可以基于历史数据样本训练初始特征处理模型,得到训练好的特征处理模型。在一些实施例中,历史数据样本可以包括历史样本特征、历史样本特征对应的历史重要性等。在一些实施例中,可以将历史样本特征作为初始特征处理模型的输入,将历史样本特征对应的历史重要性作为初始特征处理模型的标签,训练特征处理模型。
在一些实施例中,特征处理模型可以包括随机森林(Random Forests,RF)模型、梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型、极限梯度提升树(ExtremeGradient Boosting,XGBoost)模型、极端随机树(Extremely Randomized Trees,ET)模型、自适应提升(Adaptive Boosting,Adaboost)模型。在一些实施例中,特征处理模型可以通过相关性分析和高斯映射实现。
在一些实施例中,样本特征对应的重要性可以体现样本特征对路段的风险等级的影响程度。在一些实施例中,样本特征对应的重要性可以是以文字、数值、向量、矩阵、图片等形式体现。例如,重要性可以通过0-1或1-100等类似数值区间中的任一值体现对风险等级的影响程度,数值越大,影响程度越高。
在一些实施例中,处理设备112可以将样本静态特征集和样本动态特征集中的样本特征输入至特征处理模型,并基于特征处理模型的输出,确定各个样本特征分别对应的重要性。
步骤1030,筛选重要性满足预设要求的样本特征以确定特征空间。在一些实施例中,步骤1030可以由提取模块220或模型训练模块执行。
在一些实施例中,预设要求可以是与重要性相关的要求。在一些实施例中,预设要求可以包括重要性阈值。在一些实施例中,重要性阈值可以提前预设。例如,重要性阈值可以为50、80、90(以1-100的数值区间计算)等。
在一些实施例中,预设要求可以是与重要性排序相关的要求。在一些实施例中,预设要求可以包括重要性排序在前E位。在一些实施例中,E的数值可以提前预设。例如,重要性排序在前E位可以为重要性排序在前100位、1000位、10000位等。
在一些实施例中,处理设备112可以筛选重要性大于或等于重要性阈值的样本特征,筛选出的样本特征的集合即构成特征空间。例如,重要性阈值为80,相应地,处理设备112可以筛选重要性大于或等于80的样本特征,将筛选出的样本特征的集合构建成特征空间。
在一些实施例中,处理设备112可以筛选重要性排序在前E位的样本特征,筛选出的样本特征的集合即构成特征空间。例如,E值为1000,相应地,处理设备112可以筛选重要性排序在前1000位的样本特征,将筛选出的样本特征的集合构建成特征空间。
应当注意的是,上述有关流程1000的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程1000进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。例如,重要性阈值不限于步骤1030中所列举的,重要性阈值还可以为0.6、0.7、0.8或0.9(以0-1的数值区间计算)。诸如此类的变形,均在本申请的保护范围之内。
图12是根据本说明书一些实施例所示的示例性区域安全风险评估模型训练方法的示意图。
在一些实施例中,区域安全风险评估模型1210可以是卷积神经网络模型(Convolutional Neural Network,CNN)、深度神经网络模型(Deep Neural Network,DNN)、循环神经网络模型(Recurrent Neural Network,RNN)、图神经网络模型(Graph NeuralNetwork,GNN)、生成对抗网络模型(Generative Adversarial Network,GAN)等或其任意组合。
在一些实施例中,区域安全风险评估模型1210可以基于多个训练样本1220训练确定。在一些实施例中,多个训练样本1220可以包括不同路段、不同道路和/或不同区域对应的训练样本。在一些实施例中,多个训练样本1220可以包括不同时刻和/或不同时段对应的训练样本。
在一些实施例中,每个训练样本1220可以包括样本路段的样本风险特征1221、对应的样本风险值1223和样本重要特征1224,其中,样本风险特征1221为训练数据,对应的样本风险值1223和样本重要特征1224为训练标签(label)。
在一些实施例中,每个训练样本1220可以包括样本路段的样本风险特征1221、样本路段的样本碰撞信息1222、对应的样本风险值1223和样本重要特征1224,其中,样本风险特征1221和样本碰撞信息1222为训练数据,对应的样本风险值1223和样本重要特征1224为训练标签(label)。
在一些实施例中,样本风险特征1221与风险特征类似,更具体的描述可见图3;样本碰撞信息1222与碰撞信息类似,更具体的描述可见图4。
在一些实施例中,样本风险值1223和样本重要特征1224可以由用户手动标记,也可以由区域安全风险评估系统100自动标记。
在一些实施例中,区域安全风险评估模型1210可以包括两个子模型,分别用于确定路段的风险值和重要特征。在一些实施例中,两个子模型可以联合训练,也可以独立训练。
在一些实施例中,区域安全风险评估模型1210也可以由一个总模型实现。
下面以一个总模型为例,对区域安全风险评估模型1210的训练过程进行阐述:将样本风险特征1221和/或样本碰撞信息1222作为输入,将对应的样本风险值1223和样本重要特征1224作为监督,对区域安全风险评估模型1210进行训练,通过机器学习算法(例如,随机梯度下降法)更新区域安全风险评估模型1210的参数,以最小化损失函数,直到模型训练完成;或迭代训练次数达到一定次数后则停止训练。
在一些实施例中,损失函数可以是感知损失函数。在一些实施例中,损失函数还可以是其他损失函数,例如,平方损失函数、逻辑回归损失函数等。
在一些实施例中,路段数据可以动态更新(例如,实时更新、周期性更新等)。相应地,多个训练样本1220也可以动态更新(例如,每小时、每天、每周、每个月)。进而可以基于更新的多个训练样本1220动态更新区域安全风险评估模型1210的参数。通过动态更新训练样本,从而动态更新区域安全风险评估模型,可以提升区域安全风险评估模型的综合学习能力,提升区域安全风险评估体系的可靠性。
本申请实施例可能带来的有益效果包括但不限于:(1)通过大数据的方式采集车辆行驶数据、路网数据、车辆碰撞相关数据、环境数据、交通参与者数据等路段数据,从数据获取方式及数据量级上提升模型的可靠性;(2)实时、持续及动态更新的数据方式,使得模型可以实现动态周期性更新,从而可以实现动态地对区域安全风险进行评估;(3)自动化的大数据获取方式,使得模型训练数据来源广泛,保证模型多地点通用的延展性;(4)动静态特征结合,满足各类测试场景的要求;(5)在数据处理、风险评估等过程中引入专家意见,进一步提高区域安全风险评估体系的可靠性;(6)以路段为基本单元确定路段的风险等级,进而确定道路以及目标区域的风险等级,提升了区域安全风险评估体系的通用性和延展性。需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (13)
1.一种区域安全风险评估方法,其特征在于,所述方法包括:
获取目标区域内多个路段的路段数据;
基于所述路段数据,提取风险特征,所述风险特征包括静态特征和动态特征;
至少基于所述风险特征,通过区域安全风险评估模型,确定所述目标区域的风险信息。
2.如权利要求1所述的方法,其特征在于,所述路段数据包括所述多个路段的车辆行驶数据、路网数据或车辆碰撞相关数据中的至少一种。
3.如权利要求1所述的方法,其特征在于,所述风险特征通过特征空间确定,所述特征空间通过如下方式确定:
基于样本路段数据,确定样本静态特征集和样本动态特征集;
通过特征处理模型,确定所述样本静态特征集和所述样本动态特征集中的样本特征分别对应的重要性;
筛选重要性满足预设要求的样本特征以确定所述特征空间。
4.如权利要求1所述的方法,其特征在于,所述至少基于所述风险特征,通过区域安全风险评估模型,确定所述目标区域的风险信息包括:
基于所述路段数据,确定所述多个路段分别对应的碰撞信息;
将所述风险特征和所述碰撞信息输入所述区域安全风险评估模型;
基于所述区域安全风险评估模型的输出,确定所述目标区域的所述风险信息。
5.如权利要求4所述的方法,其特征在于,所述区域安全风险评估模型的所述输出包括所述多个路段分别对应的风险值和至少一个重要特征。
6.如权利要求5所述的方法,其特征在于,所述基于所述区域安全风险评估模型的输出,确定所述目标区域的所述风险信息包括:
对于所述多个路段中的每一个路段,
基于所述至少一个重要特征和所述至少一个重要特征分别对应的阈值,确定所述路段的参考风险情况;
基于所述风险值和所述参考风险情况,确定所述路段的风险等级。
7.如权利要求6所述的方法,其特征在于,所述基于所述至少一个重要特征和所述至少一个重要特征分别对应的阈值,确定所述路段的参考风险情况包括:
基于所述至少一个重要特征和所述至少一个重要特征分别对应的所述阈值,结合专家意见,确定所述路段的所述参考风险情况。
8.如权利要求6所述的方法,其特征在于,所述基于所述风险值和所述参考风险情况,确定所述路段的风险等级包括:
基于所述风险值和所述参考风险情况,结合专家意见,确定所述路段的所述风险等级。
9.如权利要求1所述的方法,其特征在于,所述至少基于所述风险特征,通过区域安全风险评估模型,确定所述目标区域的风险信息包括:
至少基于所述风险特征,通过所述区域安全风险评估模型,确定所述多个路段分别对应的风险等级;
基于所述多个路段分别对应的所述风险等级,确定所述目标区域内道路的道路风险等级,所述道路包括至少一个路段。
10.一种区域安全风险评估系统,其特征在于,所述系统包括:
获取模块,用于获取目标区域内多个路段的路段数据;
提取模块,用于基于所述路段数据,提取风险特征,所述风险特征包括静态特征和动态特征;
确定模块,用于至少基于所述风险特征,通过区域安全风险评估模型,确定所述目标区域的风险信息。
11.一种区域安全风险评估装置,其特征在于,所述装置包括:
至少一个存储介质,存储计算机指令;
至少一个处理器,执行所述计算机指令,以实现权利要求1~9中任一项所述的方法。
12.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取所述计算机指令时,所述计算机执行如权利要求1~9中任一项所述的方法。
13.一种计算机程序产品,包括计算机程序或指令,其特征在于,该计算机程序或指令被处理器执行时实现权利要求1~9所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111644640.2A CN116416778A (zh) | 2021-12-29 | 2021-12-29 | 一种区域安全风险评估方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111644640.2A CN116416778A (zh) | 2021-12-29 | 2021-12-29 | 一种区域安全风险评估方法、系统、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116416778A true CN116416778A (zh) | 2023-07-11 |
Family
ID=87051482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111644640.2A Pending CN116416778A (zh) | 2021-12-29 | 2021-12-29 | 一种区域安全风险评估方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116416778A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117273487A (zh) * | 2023-09-18 | 2023-12-22 | 江苏城乡建设职业学院 | 一种基于农村公路的安全设施提升方法及系统 |
CN117575177A (zh) * | 2024-01-16 | 2024-02-20 | 四川省大数据技术服务中心 | 一种基于数据融合技术的基层社会数字化治理系统 |
-
2021
- 2021-12-29 CN CN202111644640.2A patent/CN116416778A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117273487A (zh) * | 2023-09-18 | 2023-12-22 | 江苏城乡建设职业学院 | 一种基于农村公路的安全设施提升方法及系统 |
CN117575177A (zh) * | 2024-01-16 | 2024-02-20 | 四川省大数据技术服务中心 | 一种基于数据融合技术的基层社会数字化治理系统 |
CN117575177B (zh) * | 2024-01-16 | 2024-04-02 | 四川省大数据技术服务中心 | 一种基于数据融合技术的基层社会数字化治理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109118055B (zh) | 一种驾驶行为评分方法及装置 | |
JP7023927B2 (ja) | 変化検出ベースの地図インターフェース更新システム | |
CN111386559B (zh) | 一种路口是否存在目标道路设施的判断方法及系统 | |
US20170032480A1 (en) | Personalized travel planning and guidance system | |
CN113642633A (zh) | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 | |
DE102019205821A1 (de) | Einrichtung und verfahren für verkehrsinformationsdienst | |
CN116416778A (zh) | 一种区域安全风险评估方法、系统、装置及存储介质 | |
CN109670970B (zh) | 一种驾驶行为评分方法、装置及计算机可读存储介质 | |
CN111881713A (zh) | 一种识别违停地点的方法、系统、装置及存储介质 | |
EP2584504B1 (de) | Automatisches Zuordnen eines Suchgebiets zu einer Suchanfrage | |
DE102016210453A1 (de) | Fahrzeug, System in Kommunikation mit einem Kommunikationsmodul des Fahrzeugs, und System in Kommunikation mit einer Gruppe von Fahrzeugen | |
CN111859173A (zh) | 一种上车点推荐方法和系统 | |
CN111859178B (zh) | 一种推荐上车点的方法和系统 | |
WO2021050152A1 (en) | Systems and methods for predicting fuel consumption efficiency | |
CN111127282B (zh) | 用于确定推荐位置的系统和方法 | |
CN111861618A (zh) | 一种上车点推荐方法和系统 | |
CN110839346A (zh) | 用于分配服务请求的系统和方法 | |
US20230273040A1 (en) | System and method of creating custom dynamic neighborhoods for individual drivers | |
CN108573600B (zh) | 一种驾驶员行为诱导与局部交通流优化方法 | |
CN111932341A (zh) | 一种确定拼车订单的方法和系统 | |
CN111859183A (zh) | 一种上车点推荐方法、系统、装置及存储介质 | |
CN111931081A (zh) | 一种上车点推荐方法及系统 | |
CN111721306A (zh) | 道路匹配方法、装置、电子设备及可读存储介质 | |
CN113423063A (zh) | 基于车载t-box的车辆监控方法、装置、车辆及介质 | |
CN115880928A (zh) | 自动驾驶高精地图实时更新方法、装置、设备及存储介质 |
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 |