CN116978236A - 交通事故预警方法、装置和存储介质 - Google Patents

交通事故预警方法、装置和存储介质 Download PDF

Info

Publication number
CN116978236A
CN116978236A CN202311236950.XA CN202311236950A CN116978236A CN 116978236 A CN116978236 A CN 116978236A CN 202311236950 A CN202311236950 A CN 202311236950A CN 116978236 A CN116978236 A CN 116978236A
Authority
CN
China
Prior art keywords
traffic accident
data
early warning
traffic
feature set
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202311236950.XA
Other languages
English (en)
Other versions
CN116978236B (zh
Inventor
郭宇
张驰
冯友怀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangning Branch Of Nanjing Public Security Bureau
Nanjing Hawkeye Electronic Technology Co Ltd
Original Assignee
Jiangning Branch Of Nanjing Public Security Bureau
Nanjing Hawkeye Electronic Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangning Branch Of Nanjing Public Security Bureau, Nanjing Hawkeye Electronic Technology Co Ltd filed Critical Jiangning Branch Of Nanjing Public Security Bureau
Priority to CN202311236950.XA priority Critical patent/CN116978236B/zh
Publication of CN116978236A publication Critical patent/CN116978236A/zh
Application granted granted Critical
Publication of CN116978236B publication Critical patent/CN116978236B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • 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
    • G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Atmospheric Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了交通事故预警方法、装置和存储介质，方法包括针对预设空间范围内的目标交通工具，获取目标交通工具在预设时间段内的道路交通数据；基于道路交通数据，获得交通事故预测结果；其中，道路交通数据包括第一特征集和第二特征集，第一特征集与预设时间段内行驶状况相关，第二特征集与预设时间段内环境状况相关。本申请实施例提供的交通事故预警方法选取的特征包括与预设时间段内行驶状况相关的第一特征集，和与预设时间段内环境状况相关的第二特征集，更能捕捉到与交通事故相关的特征，从而提高交通事故预警模型的准确性，选取的特征与交通事故产生的原因相关，使得交通事故预警模型的预测结果更容易解释和理解。

Description

交通事故预警方法、装置和存储介质
技术领域
本申请涉及电子技术领域，更具体地，涉及交通事故预警方法、装置和存储介质。
背景技术
交通状态预测旨在探究未来时刻的交通运行状态，使城市道路高效的运行，为交通参与者提供高品质的交通服务。基于交通状态预测方法被认为是缓解交通拥堵、预防交通事故、减少排放和燃料消耗的有效途径。交通事故预测可以帮助人们采取某些方法和策略来减少交通事故造成的损失。
目前针对道路交通事故持续时间研究的方法主要包括：第一类是利用统计学的方法，主要包括概率分布、回归分析、时间序列等，此类方法建立在数学假设和函数形式的基础上，预测准确度较低；第二类是利用机器学习的方法，主要包括神经网络、梯度决策树、支持向量机、随机森林等算法，此类方法的预测结果较统计学方法有一定提升，但预测结果解释性较差，数据容易出现过拟合现象。
发明内容
本申请的技术目的是为了克服上述地不足之处，而提出了交通事故预警方法和系统
为实现上述技术目的，本申请采用了如下技术方案：
第一方面，本申请实施例提供了交通事故预警方法，包括：
针对预设空间范围内的目标交通工具，获取所述目标交通工具在预设时间段内的道路交通数据；
基于所述道路交通数据，获得交通事故预测结果；
其中，所述道路交通数据包括第一特征集和第二特征集，所述第一特征集与所述预设时间段内行驶状况相关，所述第二特征集与所述预设时间段内环境状况相关。
进一步地，基于所述道路交通数据，获得交通事故预警结果，包括:
将所述第一特征集和所述第二特征集合并获得时间序列数据；
将所述时间序列数据量输入交通事故预警模型进行处理，获得交通事故预警结果；
其中，所述第一特征集至少包括预设时间段内所述目标交通工具行驶的道路信息、速度信息、加速度信息和位置信息，所述第二特征集至少包括预设时间段内天气状况和时段信息。
再进一步地，所述交通事故预警模型包括：
依次连接的输入层、两个残差模块、全局平均池化层和一个或多个全连接层，两个所述残差模块之间包括快捷连接；
其中，所述输入层，用于输入所述时间序列数据；
所述残差模块，用于对所述时间序列数据进行特征提取，获得特征数据；
所述全局平均池化层，用于对所述特征数据进行全局平均池化操作，将所述特征数据进行降维，获得固定长度的特征向量；
所述全连接层，用于基于所述全局平均池化层输出的所述特征向量，获得最终的交通事故预警结果。
进一步地，所述交通事故预警模型的训练方法包括：
获取预设时间段内预设空间范围中的道路交通数据，所述道路交通数据包括选定交通工具的所述第一特征集以及所述第二特征集；
定义固定长度的时间滑动窗口，将时间滑动窗口从预设时间段的起始时间开始，按照固定步长滑动，将所述道路交通数据划分为多个子道路交通数据；
针对每一所述子道路交通数据是否发生交通事故进行标引；
将每个所述时间滑动窗口内的子道路交通数据以及对应的标引结果输入所述交通事故预警模型进行处理，获得交通事故预测结果；
以及对所述交通事故预警模型进行训练，使得所述交通事故预测结果相对于交通事故结果的真值标签的误差最小。
再进一步地，定义固定长度的时间滑动窗口包括：以交通事故结束时间为基准，往前设定时间段判定为时间滑动窗口。
进一步地，其中所述道路交通数据在输入所述交通事故预警模型前预先经过粗筛处理，所述粗筛处理包括基于所述第一特征集删除没有发生交通事故的相关道路交通数据。
进一步地，所述第一特征集还包括预警事件信息；
根据所述道路交通数据转换获得所述预警事件信息，具体包括：
响应于确定设定时间内所述道路信息变化次数大于变道预设次数限值，则转换为第一预警事件；
和/或，响应于确定所述速度大于或等于第一速度阈值，且变化量大于或等于第一变化量阈值，且持续时间大于或等于第一时间阈值，则转换为第二预警时间；
和/或，响应于确定所述速度大于或等于第二速度阈值，且持续时间大于或等于第二时间阈值，则转换为第三预警事件；
和/或，响应于确定所述速度小于所述第一速度阈值，且前方无其他交通工具，则转换为第四预警事件；
和/或，响应于确定所述速度起始值大于所述第一速度阈值，且所述加速度大于或等于第一加速度阈值，则转换为第五预警事件；
和/或，响应于确定所述速度起始值大于所述第一速度阈值，且降速大于降速阈值，则转换为第六预警事件；
和/或，响应于确定降速大于所述降速阈值，则转换为第七预警事件。
第二方面，本申请实施例提供了交通事故预警装置，包括：
数据获取模块，用于针对设定空间范围内的目标交通工具，获取所述目标交通工具在预设时间段内的道路交通数据；其中，所述道路交通数据包括第一特征集和第二特征集，所述第一特征集与所述预设时间段内行驶状况相关，所述第二特征集与所述预设时间段内环境状况相关；
交通事故预警模块，用于基于所述道路交通数据，预测获得交通事故预警结果。
第二方面，本申请实施例提供了交通事故预警装置，包括：
所述交通事故预警装置还包括训练模块；所述训练模块，被配置执行以下步骤：
定义固定长度的时间滑动窗口，将时间滑动窗口从预设时间段的起始时间开始，按照固定步长滑动，将所述道路交通数据划分为多个子道路交通数据；
针对每一所述子道路交通数据是否发生交通事故进行标引；
将每个所述时间滑动窗口内的子道路交通数据以及对应的标引结果输入所述交通事故预警模块进行处理，获得交通事故预测结果；
以及对所述交通事故预警模块进行训练，使得所述交通事故预测结果相对于交通事故结果的真值标签的误差最小。
第三方面，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存储有多条指令，所述指令适于处理器进行加载，以执行如第一方面所述的交通事故预警方法中的步骤。
与现有技术相比，本申请实施例提供的交通事故预警方法选取的特征包括与预设时间段内行驶状况相关的第一特征集，和与预设时间段内环境状况相关的第二特征集，可能包含更多与目标变量相关的信息，更能捕捉到与交通事故相关的特征，从而提高模型的准确性；此外选取蕴含着交通事故数据的特征更具解释性，使得交通事故预警模型的预测结果更容易解释和理解。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示意性地示出了本公开实施例提供的交通事故预警方法应用于预警交通事故的简化示例场景；
图2示意性地示出了配备了交通事故预警功能的交通工具的示例实现方法的简化结构框图；
图3示意性地示出了根据本申请一些实施例的交通事故预警方法的流程示意图；
图4示意性地示出了根据本申请一些实施例交通事故预警模型的结构示意图；
图5示意性地示出了根据本申请一些实施例交通事故预警模型中子模块的结构示意图；
图6示意性地示出了根据本申请一实施例交通事故预警装置结构示意图；
图7示意性地示出了根据本申请另一实施例交通事故预警装置结构示意图；
附图标记：
100-交通工具、101-道路、102-协同云服务、103-路侧边缘计算单元、104-传感器设备、105-路侧单元、106-移动云服务、111-处理器、112-加速器、113-通信设备、114-显示装置、115-存储器、116-互连结构、117-驾驶控制装置、118-语音助手、119-自主驾驶系统、201-残差模块、202-快捷连接、203-全局平均池化层、204-全连接层、205-卷积层、206-中间层、207-最大池化层、300-交通事故预警装置、301-数据获取模块、302-交通事故预警模块、303-训练模块、2011-子模块。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供的交通事故预警方法可以应用于智能交通系统（ITS）。ITS的目标是通过应用先进技术，提供智能化的交通管理和服务，以改善交通系统的运行和效率。它涉及到交通信息的收集、处理和传输，交通控制和调度，交通管理和监控，以及交通参与者的信息交互和决策支持。
本申请实施例提供的交通事故预警方法、装置和存储介质能够提前发现和预警交通事故，以便采取相应的措施来减少事故的发生和减轻事故的后果。它可以提高交通安全性、减少交通拥堵、提高救援效率，并辅助驾驶和自动驾驶技术的发展。
在本文中，术语"交通工具"指的是被设计用来运载一个或多个人类乘客的有人驾驶车辆（如汽车、卡车、货车、公共汽车、摩托车、火车、飞机、救护车等），无人驾驶车辆（如货运车辆、基于铁路的车辆等），用于运输非人类乘客的车辆（如牲畜运输车辆等），以及无人机（如陆地无人机、空中无人机等）。
这些交通工具可以在有或没有人类乘客的情况下进行驾驶，也可以用于执行各种任务，如收集驾驶环境信息、为其他交通工具的自动化提供辅助、执行道路维护任务、提供工业任务、提供公共安全和应急响应任务等。
此外，交通工具可以根据需要配置成在不同模式下交替操作的系统，例如乘客交通工具、无人驾驶交通工具或无人机交通工具等。
图1示意性示出了可以应用本公开的实施例提供的交通事故预警方法实现预警交通事故的示例场景。如图1的示例，场景可包括行驶在道路101中的交通工具100，以及协同云服务102、路侧边缘计算单元103、传感器设备104、路侧单元105和移动云服务106。协同云服务102是智能联网系统的核心，负责处理和管理交通工具100和道路101之间的信息交互；它提供实时的交通信息、导航服务交通工具100状态监测和管理等功能，使交通工具100能够根据道路101状况做出智能决策。
路侧边缘计算单元103是部署在道路101旁边的计算设备，用于处理交通工具100传输过来的数据。它可以进行实时的数据分析和处理，减少数据传输延迟，并提供交通工具100所需的计算资源。路侧边缘计算单元103可以提供更快速的响应和更高效的数据处理能力，以支持交通工具100的智能决策和交互。
路侧单元105是部署在道路101旁边的通信装置，用于与交通工具100进行通信。它提供交通工具100与协同云服务102之间的连接，使交通工具100能够传输数据和接收指令。路侧单元105还可以提供交通工具100定位、通信安全等功能，以支持交通工具100的实时交互和数据传输。
移动云服务106是一种在移动设备上提供的云服务，用于与交通工具100进行远程交互和管理。它可以通过移动应用程序提供交通工具100远程控制、监测交通工具100状态、获取实时交通信息等功能。移动云服务106使交通工具100的使用者能够随时随地与器进行连接，并获得相关的交通工具100和交通信息。
传感器设备104可设于道路101本身内、路边标牌上或交通信号灯上或路侧单元105上。在一些实施例中，传感器设备104还可以具有通信能力，可以直接将它们收集到的传感器数据传输给附近连接的交通工具100或基于云的计算系统。交通工具100可以获取外部的传感器设备104收集的传感器数据，或者使用其他系统基于外部的传感器设备104生成的数据。在一些实施方式中，可于交通工具100内部设置传感器设备104，如安装于交通工具100的内部或外部的前方、后部、顶部、底部或侧部，或者是交通工具100部件的一部分，如保险杠、前照灯或后照灯等的一部分。或者，在一些实施方式中，传感器设备104还可作为智能穿戴设备或集成于智能穿戴设备中。此外，道路101中其他对象可配备或携带传感器设备104，生成描述环境的传感器数据。这些数据可以被交通工具100、移动云服务106或者协同云服务102等使用和处理。
需要注意的是，交通工具100可以在不同的环境中进行驾驶，包括地面（如铺砌或未铺砌道路、路径或景观）、水域或空中。同时，"道路"这些术语可以具体化为室外或室内的基于地面的路径、水渠或定义的空中边界。
图2示意性地示出了配备了交通事故预警功能的交通工具100系统示例的简化结构框图。在一个示例中，交通工具100可装配有一个或多个处理器111，诸如中央处理单元(CPU)、图形处理单元(GPU)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器111(DSP)、张量处理器111、以及其他矩阵算术处理器111，以及其他示例。此类处理器111可耦合至集成硬件加速器设备(例如，加速器112)或具有集成硬件加速器设备，该集成硬件加速器设备可被提供有用于加速某些处理和存储器115访问功能的硬件，诸如与机器学习推断或训练(包括下文所描述的机器学习推断或训练中的任何一种)、特定传感器数据(例如，相机图像数据、激光雷达点云等)的处理、执行涉及自主驾驶的某些算术功能(例如，矩阵算术、卷积算术等)有关的功能，以及其他示例。可提供一个或多个存储器115来存储机器可执行指令以及存储机器学习模型、传感器数据、以及与要由交通工具100执行的自主驾驶功能有关的接收到的、所生成的、或所使用的其他数据，这些机器可执行指令实现交通工具100上实现的自主驾驶系统119中的模块或子模块中的任一者的全部或部分。各种通信设备113也可被提供、实现在在硬件电路和/或软件中，以实现由交通工具100的系统使用从而通过采用一种或多种网络通信技术的一个或多个网络信道与其他外来计算系统通信的通信能力。这些各个处理器111、加速器112、存储器115、以及通信设备113可在交通工具100系统上通过一个或多个互连结构116或链路互连，这些互连结构116或链路诸如利用诸如外围组件互连快速(PCIe)、以太网、OpenCAPITM、Gen-ZTM、UPI、通用串行总线(USB)、用于加速器112的高速缓存一致性互连(CCIXTM)、超微半导体TM(AMDTM)的InfinityTM、通用通信接口(CCI)或高通TM的CentriqTM互连的互连结构116或链路等等。
交通工具100可搭载通信设备113，通信设备113可使用多种技术（如WiFi、蜂窝数据网络、蓝牙、毫米波、ZigBee、Z-Wave等）来支持无线通信。这使得交通工具100能够连接到其他计算系统，如其他交通工具100搭载的计算系统、路边单元、基于云的计算系统或其他支持基础设施，并进行通信。
例如，在某些实现方式中，交通工具100可以与提供传感器、数据和服务以支持自主驾驶能力的自主驾驶系统119进行通信。这些自主驾驶系统119可以是基于地面或空中的无人机、路边计算设备、传感器设备104等。它们作为自主驾驶基础设施的一部分，与交通工具100上的计算系统、传感器和逻辑分离，以支持和改进交通工具100的自主驾驶功能。此外，交通工具100还可以通过无线通信信道与其他连接的交通工具100通信，以是实现数据共享或协调。
交通工具100可以配置显示装置114，显示装置114用于显示车辆信息（例如显示车速、油量、里程等基本信息）、提供导航、娱乐和车辆控制等功能，用户可以通过触摸屏幕进行交互，选择目的地、调整车辆设置、查看车辆状态等。
交通工具100还可以配置驾驶控制装置117（例如，实体的或虚拟的方向盘、加速器112、制动器、离合器等)，驾驶控制装置117允许人类驾驶员能够从自主驾驶系统119取得控制(例如，采用移交或在驾驶员辅助动作之后。交通工具100还可以配置移动应用程序接口和语音助手118等。语音助手118可以通过语音指令与交通工具100进行交互，用户可以使用语音助手118进行导航、拨打电话、调整音乐等操作，无需分散注意力。可通过应用程序与交通工具100进行远程交互，如远程启动交通工具100、查看交通工具100状态、发送导航目的地等。
交通工具100的交通事故预警方法可利用由被设置在交通工具100上的以及交通工具100外部的各种传感器设备104生成的各种传感器数据。作为示例，交通工具100可拥有传感器设备104的阵列，以收集与交通工具100的外部以及周围环境、交通工具100系统状态、交通工具100内部状况有关的各种信息以及可由交通工具100的处理系统使用的其他信息。例如，传感器设备104可包括全球定位(GPS)传感器、光检测和测距(LIDAR)传感器、二维(2D)相机、三维(3D)或景深相机、声学传感器、惯性测量单元(IMU)传感器、热传感器、超声传感器、生物传感器(例如，面部识别、语音识别、心率传感器、体温传感器、情绪检测传感器等)、雷达传感器和天气传感器等，以及其他示例传感器。此类传感器可被组合利用，以确定交通工具100在其中操作的环境的各种属性和状况(例如，天气、障碍物、交通、道路101状况等)交通工具100内的乘客(例如，乘客或驾驶员感知或警觉性、乘客的舒适度或情绪、乘客的健康或生理状况等)交通工具100的其他内容(例如，包裹、牲畜、货物、行李等)交通工具100的子系统，以及其他示例。传感器数据还可(或替代地)由并非一体化地耦合至交通工具100的传感器设备104提供，这些传感器包括其他交通工具100上的传感器(该传感器可通过交通工具100对交通工具100通信或其他技术与交通工具100通信)、基于地面的或空中的无人机上的传感器、由交通工具100的内部或外部的人类用户携带的用户设备(例如，智能电话或可穿戴设备)的传感器、以及被安装或提供有其他路边元件(诸如路边单元、路标、交通灯、路灯等)的传感器。
实施方式一
图3示意性地示出了根据本申请一些实施例的交通事故预警方法的流程示意图。交通事故预警方法包括：针对预设空间范围内的目标交通工具100，获取目标交通工具100在预设时间段内的道路交通数据；基于道路交通数据，获得交通事故预测结果；其中，道路交通数据包括第一特征集和第二特征集，第一特征集与预设时间段内行驶状况相关，第二特征集与预设时间段内环境状况相关。
以交通工具100是车辆为例，车辆搭载了交通雷达，针对预设空间范围内车辆的第一特征集表示为车辆在预设时间段内的行驶状况信息矩阵Wv×Lv×Cv，用于存储车辆位置及车辆属性信息，其中Wv表示车道，Lv表示车道内车辆的位置信息，Cv为车辆属性向量，车辆属性向量Cv包括车辆速度、加速度、减速度，可选地，车辆属性向量Cv还可以包括车辆平均行驶速度、跟车距离、用于唯一标记车辆的车辆标识符、和/或历史位置信息序列其中的一个或者多个，例如用连续K个时刻该位置的车辆属性来体现K个观测时间周期的历史位置信息序列。这些信息序列蕴含着交通事故数据，通过训练出合适的机器学习模型有助于在类似场景下通过指示牌、智能电话活可穿戴设备告知驾驶员从而提前预警。
许多交通事故都是由于驾驶员不小心或超速造成的。因此至少车辆的行驶状态信息是预测此类事故所必需的。然而除此之外，根据大量统计研究数据显示外界因素也有可能造成事故。虽然理论上还有各种事故因素，但很难将其全部考虑在内。增加变量的数量会减少每个模式的事故数量（即训练数据的数量），并使学习复杂化。
因此，必须从可能影响交通状况的数据中间接表达事故发生前的特征，例如天气数据和时段（潜在隐含了通勤车辆的潮汐交通流量）。本申请实施例中第二特征集可以包括车辆所处的环境状况信息，包括天气状况（如温度、湿度、降水等）以及当前的时间和日期。环境特征信息对于许多车辆相关的应用和决策都非常重要，通过考虑环境特征信息，可以更好地理解和适应不同的驾驶环境，提高行驶安全性和效率。
在具体的实施方式中，采用机器学习模型作为交通事故预警模型。基于第一特征集和第二特征集，利用预测获得交通事故预警结果，包括:
基于第一特征集和第二特征集，利用预测获得交通事故预警结果，包括:将第一特征集和第二特征集合并获得时间序列数据；将时间序列数据输入交通事故预警模型进行处理，获得交通事故预警结果；其中，第一特征集至少包括预设时间段内目标交通工具行驶的道路101信息、速度信息、加速度信息和位置信息，第二特征集至少包括预设时间段内天气状况和时段信息。
本申请实施例选取的特征包括与预设时间段内行驶状况相关的第一特征集，和与预设时间段内环境状况相关的第二特征集，可能包含更多与目标变量相关的信息，更能捕捉到与交通事故相关的特征，从而提高模型的准确性；此外选取的特征与交通事故产生的原因相关，使得交通事故预警模型的预测结果更容易解释和理解。
图4示意性地示出了根据本申请一些实施例交通事故预警模型的结构示意图。如图4所示，交通事故预警模型包括：依次连接的输入层、两个残差模块201、全局平均池化层203和一个或多个全连接层204，两个残差模块201之间包括快捷连接202；其中，输入层用于输入时间序列数据；残差模块201用于对时间序列数据进行特征提取，获得特征数据；全局平均池化层203用于对特征数据进行全局平均池化操作，将特征数据进行降维，获得固定长度的特征向量；全连接层204用于基于全局平均池化层203输出的特征向量获得最终的交通事故预警结果。
本申请实施例提供的交通事故预警方法，所采用的交通事故预警模型为并行结构网络模型层叠组合的模型，可以同时提取不同尺度的时间序列特征，这种多尺度的特征提取能力使得模型能够捕捉到时间序列数据中的不同频率和时序模式，从而更好地表示数据，针对时间序列数据具有良好性能；此外能够处理不同长度的时间序列数据，并且对于缺失值和噪声也具有一定的容忍度，这使得模型在实际应用中更具有适应性和稳定性。
在具体实施方式中，交通事故预警模型可包括两个残差模块201，每个残差模块201内部包含三个子模块2011。
图5示意性地示出了根据本申请一些实施例交通事故预警模型中子模块2011的结构示意图。如图5所示，每个子模块2011由多个并行的卷积层205组成，用于进行特征提取和变换。每个子模块2011内部的卷积层205具有不同的卷积核大小，以捕捉不同尺度的特征。这些卷积层205通过并行操作，将不同尺度的特征进行融合。可选地，首先使用1x1卷积层205进行降维，减少特征的维度。在降维后的特征上，可以添加最大池化层207。最大池化层207可以通过滑动窗口在特征图上进行最大值的池化操作，从而提取出输入特征的空间信息。在最大池化层207之后，可以再次使用卷积层205进行升维，增加特征的维度。除了包含最大池化层207的分支外，子模块2011模块通常还包括其他并行的卷积层205，如1x1、3x3和5x5卷积层205等，用于捕捉不同尺度的特征。
最大池化层207的设置可以根据任务需求和数据特点进行调整。可以调整池化窗口的大小、步幅和填充方式，以控制特征图的尺寸和信息捕捉的粒度。
卷积层205之间可以存在快捷连接202，也称为残差连接或跳跃连接。这些连接的目的是促进信息的流动和梯度的传播，以帮助模型更好地学习和优化。
快捷连接202通常是通过将输入特征与经过卷积层205处理后的特征进行元素级的相加或连接来实现的。这样做可以使模型更容易学习残差，即输入特征与卷积层205处理后的特征之间的差异。
在子模块2011中，快捷连接202通常是通过将输入特征与卷积层205处理后的特征进行元素级的相加来实现的。这样可以使模型更加灵活地学习输入特征和卷积层205处理后的特征之间的关系。通过快捷连接202，模型可以更好地学习残差，避免梯度消失或梯度爆炸的问题，并且有助于提高模型的性能和收敛速度。
中间层206作用是通过使用1x1卷积核进行降维，减少计算复杂度、控制参数数量、引入非线性变换，并提供更高效的特征表示。这有助于提高模型的计算效率、泛化能力和表达能力。
本申请实施例提供的交通事故预警模型，当一个M维的多元时间序列输入到子模块2011时，首先会通过使用了m个长度和步长均为1的卷积核的中间层206进行降维，得到一个m维的时间序列。之后m维的时间序列会通过使用多个大小不同的卷积核的卷积层205来提取不同尺度的特征，最后与使用了最大池化方法处理的m维的时间序列拼接在一起，作为子模块2011的输出。最后将三个子模块2011网络得到的预测结果进行集成。
在具体实施例中，各个子模块2011可以设置初始权重。初始权重是指在交通事故预警模型训练之前，为模型的参数赋予的初始值。设置初始权重的目的是为了帮助模型更快地收敛和更好地学习数据的特征。合适的初始权重可以使模型在初始阶段就具有一定的预测能力，从而加速训练过程。
本申请的学习模型（即交通事故预警模型）中每个单独的子模块2011将具有完全相同的架构，但是初始权重可以不同。该学习模型的基本结构是将卷积层205以及池化层进行层叠，并与残差连接。经由卷积层205获取输入的特征信息，利用中间层206对卷积核的并行进行合并，达到在同一层中就可以获取出稀疏以及非稀疏的特征，随后利用池化层进行全局平均池化，以减少空间大小，有效防止过度拟合。但子模块2011具有不同的随机初始化的权重值。包含多尺度卷积核的并行结构网络模块的核心思想是将多个不同长度的过滤器同时应用于输入时间序列，过滤器可以利用神经网络从长、短时间序列中自动提取相关特征，而本申请的学习模型的计算复杂性则随着训练集的大小以及时间长度而线性增长。最后通过全连接层204生成预测结果。
在一些实施方式中，交通事故预警模型的训练方法包括：
获取预设时间段内预设空间范围中的道路交通数据，道路交通数据包括选定交通工具100的第一特征集以及第二特征集；定义固定长度的时间滑动窗口，将时间滑动窗口从预设时间段的起始时间开始，按照固定步长滑动，将道路交通数据划分为多个子道路交通数据；针对每一子道路交通数据是否发生交通事故进行标引；将每个时间滑动窗口内的子道路交通数据以及对应的标引结果输入交通事故预警模型；交通事故预警模型对子道路交通数据以及对应的标引结果进行处理，获得交通事故预测结果；对交通事故预警模型进行训练，使得交通事故预测结果相对于交通事故结果的真值标签的误差最小。
本申请实施例建立一个考虑到主要因素的交通事故预警模型。对应地，交通事故预警模型输入时间序列训练数据向量为xi(t)=[X(t),T(t),F(t)]，其中X(t)为当前时刻的特征因素，T(t)和F(t)为表示是否发生事故的标引，T表示发生事故，F表示未发生事故。本领域技术人员可以知晓，上述特征因素X(t)也可以通过前述传感器设备104组成地感测/感知网络获取并构建，数据范围也不以该表为限。典型地，特征因素包括前述的第一特征集（例如交通工具100行驶状况信息）和第二特征集（例如天气和时段），如天气分为晴好（1）、雨雾（0）。作为示例地，时段划分为清晨（0:00-5:59）、上午（6:00-11:59）、下午（12:00-17:59）、晚上（18:00-23:59）。
如选取车辆属性向量中车辆速度和加速度，训练数据示例如表1所示。
表1 训练数据示例
本实施例选取预设时间端内记录的道路交通数据作为训练数据。由于总体数据量极为庞大，然而事故发生阶段占比较少，若将所有数据不经处理全部用于训练，训练时间和所消耗资源将会过大。因此本申请实施例根据该路线信息是否有事故事件进行筛选，若不具有事故事件的路线信息会过滤，拥有事故事件的路线信息则保留。由于事故阶段占比较少，因此每条路线信息中的动态数据容易出现类别比例悬殊的数据不平衡问题，导致模型训练后可能出现倾向选择数量较多的正常驾驶状态，仍能获得不错的预测表现，使得事故驾驶状态预测上更为困难。另一方面，将数据过滤后如果数据量过少则又会导致过拟合。因此本申请在数据处理阶段，使用缩短正常驾驶状态时间长度及利用时间滑动窗口增加数据量，并配合多层层叠的神经网络架构进行深度学习，有效解决训练数据有限状况下的过度拟合情况，达到更好的预测效果。因此，在具体实施例中，道路交通数据在输入交通事故预警模型前预先经过粗筛处理，粗筛处理包括基于第一特征集删除没有发生交通事故的相关道路交通数据。
具体而言，本申请可以通过事故事件发生前的行为作为预测事故发生的基础。考虑本申请以某道路交通数据作为训练数据，数据以不连续方式记录特定驾驶行为发生时间，而深度机器学习模型，输入数据须为连续的时间序列，因此为训练固定时间内的驾驶行为数据，必须将车辆旅行时间连续化，使得不连续的驾驶行为记录以连续时间序列呈现，才能进一步进行训练。本申请所采用的道路101原始数据中，仅标记前述预警事件中事故实际发生的时间点。本申请实施例将滤除事故事件后的路线信息，以一秒为单位将整个路线时间段连续化，将路线信息开始与结束时间段中间的正常驾驶状态的真值以0补齐，使输入值除特定时间识别出的危险行为外，也包括该道路101信息开始至结束的道路交通数据。如此则可以每秒为单位的完整时间序列道路101信息数据，作为深度学习训练数据，使得一趟路线信息以连续阵列呈现，作为时间序列数据的输入值。经过训练后的模型则可以通过分析事故事件发生前一段时间内的驾驶行为，预测事故事件发生。
在以上步骤对数据进行粗筛后，本申请进一步提出一种数据预处理方法，经由缩短正常驾驶状态的时间长度，以及利用各事故事件标记时间区间的1800秒，进行滑动窗口处理，利用滑动60次，产生60倍的事故驾驶时间序列数据，而正常驾驶状态，则由正常驾驶状态数据中，随机取样两倍的数据，也进行60次的时间滑动窗口产生60倍数据后，作为本申请交通事故预警模型的训练数据，这种方法在本申请中称为“局部放大法”。
具体地，考虑到事故驾驶非某一特定时间点或短暂时间窗口瞬间发生并且快速结束的突发事件，本申请实施例针对某道路101的交通事故数据，以事故事件结束时间点为基准，往前设定时间（例如30分钟）为判定时间窗口，以一秒为滑动步长，如将一共1800次以秒为单位的数据，作为一组训练数据，并标记该组数据为事故事件真值。其余时间的道路101数据，则为非事故事件的数据，本申请同样以事故事件结束时间点为基准，往前设定时间（例如30分钟），以一秒为滑动步长，一共1800次以秒为单位的数据，作为一组非事故事件的训练数据。
经过上述处理后，本申请一实施例使用包含事故及非事故事件总共4050次数据，以及每次数据往前推算30分钟时间空间，共约4050*1800(即7290000)秒危险行为的记录，以当作训练深度模型用x值，另有4050次事故事件真值数据作为y值，事故事件真值按照事故事件发生与否以0跟1区分，作为本申请实施例交通事故预警模型的训练数据。
配置完上述交通事故预警模型后，采用精确率、召回率与F-measure三种评价指标来对交通事故预警模型的训练结果进行评价与检验。分类结果的混淆矩阵可以表示如表2所示。
表2分类结果的混淆矩阵
其中，TP（1 Positive）表示模型正确地将正实例预测为正类的数量，FN（0Negative）表示模型错误地将正实例预测为负类的数量，FP（0 Positive）表示模型错误地将负实例预测为正类的数量，TN（1 Negative）表示模型正确地将负实例预测为负类的数量。
混淆矩阵可以帮助计算各种分类指标，如准确率、召回率、精确率和F1分数等。通过分析混淆矩阵，可以了解模型在不同类别上的预测性能，识别出模型可能存在的偏差或错误，并进一步优化模型的性能。
三种评价指标的定义如下:
1、精确率(Precision,P)指分类为正例的样本中正确的分类与实际正例样本的占比，主要反映模型预测正例样本的准确性，值越高表示预测正例样本的精确性越大。表达式为:
2、召回率(Recall,R)指分类为正例的样本中检索到的正确分类与应该被检索到的正例的比，反映模型对于正例样本的真实性的召回能力，值越高表示模型预测性能越好，表达式为:
。
3、F-measure(简称F1)是准确率与召回率的调和平均值，综合评价准确率与召回率的表现，当该值较高时表示模型分类器的预测效果较好，表达式为:
。
虽然本申请实施例提供地交通事故预警模型在准确性、精准度、F1分数三方面都较SVM更好，但总体成绩仍无大幅提升，因为原始数据中模型倾向于将结果全部分类为正常驾驶，无法顺利获取事故发生前的相关特征。
而在一些实施例中，使用“局部放大法”以滑动窗口建立时间序列进行不平衡处理的数据集当中，本申请实施例提供的方法获得0.7863的正确率，大幅度提高了预测的准确度，主要原因是由于“局部放大法”除了放大目标样本的外，也同比例的缩减了其他样本，以求取极少量目标样本的特征能够被深度学习模型获取到。以本申请实施例的方法为例说明，其正确率虽然为0.7863，但是如表3所示，召回率提升到0.783，并且F1分数提升为0.792，也就是说本申请实施例提供的交通事故预警模型不会将所有样本分类为“正常驾驶”，提高了目标样本(事故驾驶)的预测准确度。对于实际应用来说，如果要追求对不平衡的目标样本预测准确度，评估指标中召回率与F1分数更具有参考价值。
表3三种评价指标对比结果
比较例虽在正确率上皆达0.95以上，但召回率以及F1数值都大幅下降，代表模型对于交通事故并不具有高准确率的识别能力。
在以上实施例的基础上，在一些实施例中，第一特征集还包括预警事件信息。该实施例提供的交通预警方法，不仅仅是经过简单清洗作为训练输入，而是同时根据道路交通数据将数据转换为一系列的预定义预警事件。将这些因素输入机器学习模型，可以设置各特征的权重大小。权重表示了每个特征对模型预测的重要性或贡献程度，通过调整特征的权重，可以影响模型对不同特征的关注程度。通过机器学习模型学习不同特征的影响率权重大小，从而提高最终的事故预测精度。
例如，典型的预警事件信息包括异常变道、事故驾驶、超速、低速行驶、急加速、急减速以及紧急刹车。
具体实施例中，根据道路交通数据转换获得预警事件信息，可如下所示：
异常变道:目标1分钟内车道变化次数大于5。
事故驾驶：车速>=60km，且变化量>=30km，且持续30分钟。
超速：时速>=120km/h，且持续30秒。
低速行驶：时速<60km/h，且前方无车。
急加速：时速起始值大于60km/h,且加速度大于等于3km/h/s。
急减速：时速起始值大于60km/h，每秒降速大于10km/h/s。
紧急刹车：每秒降速大于10km/h/s。
以上数据典型地可以由毫米波交通雷达跟踪记录。需要说明的是，在具体实例中，具体阈值参数的设定可根据需要来设置，对此不做限定。
实施方式二
如图6所示，本申请实施例提供了交通事故预警装置300，包括：
数据获取模块301，用于针对设定空间范围内的目标交通工具100，获取目标交通工具100在预设时间段内的道路交通数据；其中，道路交通数据包括第一特征集和第二特征集，第一特征集与预设时间段内行驶状况相关，第二特征集与预设时间段内环境状况相关；
交通事故预警模块302，用于基于第一特征集和第二特征集，预测获得交通事故预警结果。
在一些实施方式中，如图7所示，交通事故预警装置300还包括训练模块303；数据获取模块301获取预设时间段内预设空间范围中的道路交通数据，道路交通数据包括选定交通工具的第一特征集以及第二特征集。
训练模块303被配置执行以下步骤：
定义固定长度的时间滑动窗口，将时间滑动窗口从预设时间段的起始时间开始，按照固定步长滑动，将道路交通数据划分为多个子道路交通数据；针对每一子道路交通数据是否发生交通事故进行标引；将每个时间滑动窗口内的子道路交通数据以及标引结果输入交通事故预警模块302进行处理，获得交通事故预测结果；以及对交通事故预警模块302进行训练，使得交通事故预测结果相对于交通事故结果的真值标签的误差最小。
需要说明的是，本申请实施例的交通事故预警装置300的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
实施方式三
本申请提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算设备的处理器111从计算机可读存储介质读取该计算机指令，处理器111执行该计算机指令，使得该计算设备执行上述各种可选实现方式中提供的交通预警方法。
“计算机可读存储介质”是指能够持久存储信息的介质和/或设备，和/或有形的存储装置。因此，计算机可读存储介质是指非信号承载介质。计算机可读存储介质包括诸如易失性和非易失性、可移动和不可移动介质和/或以适用于存储信息(诸如计算机可读指令、数据结构、程序模块、逻辑元件/电路或其他数据)的方法或技术实现的存储设备之类的硬件。计算机可读存储介质的示例可以包括但不限于RAM、ROM、EEPROM、闪存或其它存储器115技术、CD-ROM、数字通用盘(DVD)或其他光学存储装置、硬盘、盒式磁带、磁带，磁盘存储装置或其他磁存储设备，或其他存储设备、有形介质或适于存储期望信息并可以由计算机访问的制品。
尽管已经结合一些实施例描述了本申请，但是其不旨在被限于在本文中所阐述的特定形式。相反，本申请的范围仅由所附权利要求来限制。附加地，尽管单独的特征可以被包括在不同的权利要求中，但是这些可以可能地被有利地组合，并且包括在不同权利要求中不暗示特征的组合不是可行的和/或有利的。特征在权利要求中的次序不暗示特征必须以其工作的任何特定次序。此外，在权利要求中，词“包括”不排除其它元件，并且术语“一”或“一个”不排除多个。权利要求中的附图标记仅作为明确的例子被提供，不应该被解释为以任何方式限制权利要求的范围。
可以理解的是，在本申请的具体实施方式中，涉及到实体的违约信息等实体相关的数据。当本申请以上实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

Claims (10)

1.交通事故预警方法，其特征在于，所述方法包括：
针对预设空间范围内的目标交通工具，获取所述目标交通工具在预设时间段内的道路交通数据；
基于所述道路交通数据，获得交通事故预测结果；
其中，所述道路交通数据包括第一特征集和第二特征集，所述第一特征集与所述预设时间段内行驶状况相关，所述第二特征集与所述预设时间段内环境状况相关。
2.根据权利要求1所述的交通事故预警方法，其特征在于，基于所述道路交通数据，获得交通事故预警结果，包括:
将所述第一特征集和所述第二特征集合并获得时间序列数据；
将所述时间序列数据输入交通事故预警模型进行处理，获得交通事故预警结果；
其中，所述第一特征集至少包括预设时间段内所述目标交通工具行驶的道路信息、速度信息、加速度信息和位置信息，所述第二特征集至少包括预设时间段内天气状况和时段信息。
3.根据权利要求2所述的交通事故预警方法，其特征在于，所述交通事故预警模型包括：
依次连接的输入层、两个残差模块、全局平均池化层和一个或多个全连接层，两个所述残差模块之间包括快捷连接；
其中，所述输入层，用于输入所述时间序列数据；
所述残差模块，用于对所述时间序列数据进行特征提取，获得特征数据；
所述全局平均池化层，用于对所述特征数据进行全局平均池化操作，
将所述特征数据进行降维，获得固定长度的特征向量；
所述全连接层，用于基于所述全局平均池化层输出的所述特征向量，获得最终的交通事故预警结果。
4.根据权利要求2所述的交通事故预警方法，其特征在于，所述交通事故预警模型的训练方法包括：
获取预设时间段内预设空间范围中的道路交通数据，所述道路交通数据包括选定交通工具的所述第一特征集以及所述第二特征集；
定义固定长度的时间滑动窗口，将时间滑动窗口从预设时间段的起始时间开始，按照固定步长滑动，将所述道路交通数据划分为多个子道路交通数据；
针对每一所述子道路交通数据是否发生交通事故进行标引；
将每个所述时间滑动窗口内的子道路交通数据以及标引结果输入所述交通事故预警模型进行处理，获得交通事故预测结果；
以及对所述交通事故预警模型进行训练，使得所述交通事故预测结果相对于交通事故结果的真值标签的误差最小。
5.根据权利要求4所述交通事故预警方法，其特征在于，定义固定长度的时间滑动窗口包括：以交通事故结束时间为基准，往前设定时间段判定为所述时间滑动窗口。
6.根据权利要求4所述交通事故预警方法，其特征在于，所述道路交通数据在输入所述交通事故预警模型前预先经过粗筛处理，所述粗筛处理包括基于所述第一特征集删除没有发生交通事故的相关道路交通数据。
7.根据权利要求2所述的交通事故预警方法，其特征在于，所述第一特征集还包括预警事件信息；
根据所述道路交通数据转换获得所述预警事件信息，具体包括：
响应于确定设定时间内所述道路信息变化次数大于变道预设次数限值，则转换为第一预警事件；
和/或，响应于确定所述速度大于或等于第一速度阈值，且变化量大于或等于第一变化量阈值，且持续时间大于或等于第一时间阈值，则转换为第二预警时间；
和/或，响应于确定所述速度大于或等于第二速度阈值，且持续时间大于或等于第二时间阈值，则转换为第三预警事件；
和/或，响应于确定所述速度小于所述第一速度阈值，且前方无其他交通工具，则转换为第四预警事件；
和/或，响应于确定所述速度起始值大于所述第一速度阈值，且所述加速度大于或等于第一加速度阈值，则转换为第五预警事件；
和/或，响应于确定所述速度起始值大于所述第一速度阈值，且降速大于降速阈值，则转换为第六预警事件；
和/或，响应于确定降速大于所述降速阈值，则转换为第七预警事件。
8.交通事故预警装置，其特征在于，包括：
数据获取模块，用于针对设定空间范围内的目标交通工具，获取所述目标交通工具在预设时间段内的道路交通数据；其中，所述道路交通数据包括第一特征集和第二特征集，所述第一特征集与所述预设时间段内行驶状况相关，所述第二特征集与所述预设时间段内环境状况相关；
交通事故预警模块，用于基于所述道路交通数据，预测获得交通事故预警结果。
9.根据权利要求8所述的交通事故预警装置，其特征在于，所述交通事故预警装置还包括训练模块；所述训练模块被配置执行以下步骤：
定义固定长度的时间滑动窗口，将时间滑动窗口从预设时间段的起始时间开始，按照固定步长滑动，将所述道路交通数据划分为多个子道路交通数据；
针对每一所述子道路交通数据是否发生交通事故进行标引；
将每个所述时间滑动窗口内的子道路交通数据以及标引结果输入所述交通事故预警模块进行处理，获得交通事故预测结果；
以及对所述交通事故预警模块进行训练，使得所述交通事故预测结果相对于交通事故结果的真值标签的误差最小。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行如权利要求1-7中任一项所述的交通事故预警方法中的步骤。
CN202311236950.XA 2023-09-25 2023-09-25 交通事故预警方法、装置和存储介质 Active CN116978236B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311236950.XA CN116978236B (zh) 2023-09-25 2023-09-25 交通事故预警方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311236950.XA CN116978236B (zh) 2023-09-25 2023-09-25 交通事故预警方法、装置和存储介质

Publications (2)

Publication Number Publication Date
CN116978236A true CN116978236A (zh) 2023-10-31
CN116978236B CN116978236B (zh) 2023-12-15

Family

ID=88471660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311236950.XA Active CN116978236B (zh) 2023-09-25 2023-09-25 交通事故预警方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN116978236B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732075A (zh) * 2015-03-06 2015-06-24 中山大学 一种城市道路交通事故风险实时预测方法
CN106339608A (zh) * 2016-11-09 2017-01-18 中国科学院软件研究所 一种基于在线变分贝叶斯支持向量回归的交通事故率预测系统
CN109035779A (zh) * 2018-08-30 2018-12-18 南京邮电大学 基于DenseNet的高速公路交通流预测方法
US20190210548A1 (en) * 2018-01-05 2019-07-11 Anagog Ltd. Automatic accident detection
CN112784121A (zh) * 2021-01-28 2021-05-11 浙江工业大学 一种基于时空图表示学习的交通事故预测方法
CN113053096A (zh) * 2019-12-26 2021-06-29 东莞宇龙通信科技有限公司 交通事故预警方法、装置、存储介质及智能灯杆
CN113283665A (zh) * 2021-06-10 2021-08-20 北京邮电大学 一种基于路网的城市交通事故风险预测方法
CN113762473A (zh) * 2021-08-25 2021-12-07 江苏大学 一种基于多时空图的复杂场景行车风险预测方法
CN113935531A (zh) * 2021-10-15 2022-01-14 中电积至(海南)信息技术有限公司 一种基于深度学习的交通事故风险预测方法
CN115376339A (zh) * 2022-10-20 2022-11-22 南京隼眼电子科技有限公司 一种交通预警方法和系统
CN115985104A (zh) * 2023-02-10 2023-04-18 长三角信息智能创新研究院 一种交通流量预测装置、预测方法及预测模型构建方法
CN116110219A (zh) * 2022-11-16 2023-05-12 航天科工广信智能技术有限公司 交通事故预测方法
CN116307103A (zh) * 2023-02-15 2023-06-23 河南大学 一种基于硬参数共享多任务学习的交通事故预测方法
CN116451862A (zh) * 2023-04-13 2023-07-18 腾讯科技（深圳）有限公司 模型训练方法和装置、交通事件发生概率评估方法和装置
CN116524734A (zh) * 2023-04-18 2023-08-01 浙江大学 一种基于动态时空交错图构建的交通流量预测装置
CN116680601A (zh) * 2023-06-16 2023-09-01 平安科技（深圳）有限公司 边缘交通对象预测方法、装置、设备和存储介质

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732075A (zh) * 2015-03-06 2015-06-24 中山大学 一种城市道路交通事故风险实时预测方法
CN106339608A (zh) * 2016-11-09 2017-01-18 中国科学院软件研究所 一种基于在线变分贝叶斯支持向量回归的交通事故率预测系统
US20190210548A1 (en) * 2018-01-05 2019-07-11 Anagog Ltd. Automatic accident detection
CN109035779A (zh) * 2018-08-30 2018-12-18 南京邮电大学 基于DenseNet的高速公路交通流预测方法
CN113053096A (zh) * 2019-12-26 2021-06-29 东莞宇龙通信科技有限公司 交通事故预警方法、装置、存储介质及智能灯杆
CN112784121A (zh) * 2021-01-28 2021-05-11 浙江工业大学 一种基于时空图表示学习的交通事故预测方法
CN113283665A (zh) * 2021-06-10 2021-08-20 北京邮电大学 一种基于路网的城市交通事故风险预测方法
CN113762473A (zh) * 2021-08-25 2021-12-07 江苏大学 一种基于多时空图的复杂场景行车风险预测方法
CN113935531A (zh) * 2021-10-15 2022-01-14 中电积至(海南)信息技术有限公司 一种基于深度学习的交通事故风险预测方法
CN115376339A (zh) * 2022-10-20 2022-11-22 南京隼眼电子科技有限公司 一种交通预警方法和系统
CN116110219A (zh) * 2022-11-16 2023-05-12 航天科工广信智能技术有限公司 交通事故预测方法
CN115985104A (zh) * 2023-02-10 2023-04-18 长三角信息智能创新研究院 一种交通流量预测装置、预测方法及预测模型构建方法
CN116307103A (zh) * 2023-02-15 2023-06-23 河南大学 一种基于硬参数共享多任务学习的交通事故预测方法
CN116451862A (zh) * 2023-04-13 2023-07-18 腾讯科技（深圳）有限公司 模型训练方法和装置、交通事件发生概率评估方法和装置
CN116524734A (zh) * 2023-04-18 2023-08-01 浙江大学 一种基于动态时空交错图构建的交通流量预测装置
CN116680601A (zh) * 2023-06-16 2023-09-01 平安科技（深圳）有限公司 边缘交通对象预测方法、装置、设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LU WENQI等: "A model of traffic accident prediction based on convolutional neural network", 《2017 2ND IEEE INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION ENGINEERING (ICITE)》, pages 198 - 202 *
胡嫣然: "考虑多维动态特征交互的高速公路交通事故风险研判及其时空影响效应传播分析", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 7, pages 034 - 411 *

Also Published As

Publication number Publication date
CN116978236B (zh) 2023-12-15

Similar Documents

Publication Publication Date Title
US20220332348A1 (en) Autonomous driving method, related device, and computer-readable storage medium
CN113792566B (zh) 一种激光点云的处理方法及相关设备
CN112465395A (zh) 一种面向自动驾驶汽车的多维度综合评价方法及装置
CN110532846B (zh) 自动换道方法、装置及存储介质
DE102019113389B4 (de) System und verfahren für ein vorhersage-entitätenverhalten
CN110371132A (zh) 驾驶员接管评估方法及装置
WO2021189210A1 (zh) 一种车辆换道方法及相关设备
KR102580085B1 (ko) 자율 주행 차량의 성능을 평가하기 위한 테스트 시나리오의 선택
CN114495046A (zh) 驾驶员行为风险评估和行人意识
CN108694829B (zh) 基于无人机群移动平台的交通流量识别监测网络和方法
WO2022017307A1 (zh) 自动驾驶场景生成方法、装置及系统
CN115565149A (zh) 用于对象检测的方法、运载工具和存储介质
DE102021132082A1 (de) Ende-zu-ende-system-training unter verwendung vereinigter bilder
KR20230108672A (ko) 규칙집 궤적 생성을 위한 그래프 탐색
CN116978236B (zh) 交通事故预警方法、装置和存储介质
US20230090338A1 (en) Method and system for evaluation and development of automated driving system features or functions
CN116135654A (zh) 一种车辆行驶速度生成方法以及相关设备
US20220340153A1 (en) Simulated test creation
US20220332336A1 (en) Using simlulated scene data to test autonomous vehicle operations
KR20230042430A (ko) 자율 주행 차량에 대한 안전이 중요한 시나리오의 식별을 위한 학습
DE102022102187A1 (de) High-fidelity-daten-getriebene multimodale simulation
Maligalig et al. Machine Vision System of Emergency Vehicle Detection System Using Deep Transfer Learning
US20230391367A1 (en) Inferring autonomous driving rules from data
US20230221408A1 (en) Radar multipath filter with track priors
US20230334874A1 (en) Identifying vehicle blinker states

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant