CN117216666A - 一种基于计算机大数据的交通事故预估方法及系统 - Google Patents

Abstract

本发明公开了一种基于计算机大数据的交通事故预估方法及系统，该方法包括：获取车辆的车速和车型；对前后车辆的车速进行加权整合，根据得到的双车车速进行车辆发生交通事故的风险评估，其中，若双车车速的最高值低于第一临界速度，则通过线性回归模型进行；若介于第一临界速度和第二临界速度之间，则通过RNN算法进行；若介于第二临界速度和第三临界速度之间，则通过递归神经网络模型进行；若高于第三临界速度，则通过CNN和LSTM结合的模型进行；将车型对应的影响因子与风险评估的车速因子进行权重配置，得到该车辆发生交通事故的概率。该方法通过同一条道路上的相近车辆型号和行驶速度进行分析，从而对交通事故发生概率进行预测。

Description

一种基于计算机大数据的交通事故预估方法及系统

技术领域

本发明属于交通事故预估领域，尤其涉及一种基于计算机大数据的交通事故预估方法及系统。

背景技术

截至2020年6月，全国汽车保有量达2.7亿辆，占机动车总保有量的75％，共有12个城市汽车保有量超过300万辆，为对交通事故发生率进行预估和降低，人们不断探索，提出了各种各样的方案，但是现有的方案大多是对驾驶员的驾驶状态进行分析，而人的多样性，使得预估结果误差较大，因而使用的局限性较大。

发明内容

针对现有技术的不足，本申请实施例的目的是提供一种基于计算机大数据的交通事故预估方法及系统，具备能够通过同一条道路上的相近车辆型号和行驶速度进行分析，并且结合计算机大数据对交通事故进行分析的好处，解决了现有的方案大多是对驾驶员的驾驶状态进行分析，而人的多样性，使得预估结果误差较大，因而使用的局限性较大的问题。

根据本申请实施例的第一方面，提供一种基于计算机大数据的交通事故预估方法，包括：

获取车辆的车速和车型；

对前后车辆的车速进行加权整合，根据得到的双车车速进行车辆发生交通事故的风险评估，其中，若所述双车车速的最高值低于第一临界速度，则通过线性回归模型进行风险评估；若所述双车车速的最高值介于第一临界速度和第二临界速度之间，则通过RNN算法进行风险评估；若所述双车车速的最高值介于第二临界速度和第三临界速度之间，则通过递归神经网络模型进行风险评估；若所述双车车速的最高值高于第三临界速度，则通过CNN和LSTM结合的模型进行风险评估；

将所述车型对应的影响因子与所述风险评估的车速因子进行权重配置，得到该车辆发生交通事故的概率。

进一步地，所述车型通过对包含所述车辆的图像进行多分类任务从而识别得到。

进一步地，通过卷积神经网络进行车型的识别。

进一步地，将前车车速和后车车速以权重2：1或3：1进行加权整合，得到双车车速。

进一步地，所述第一临界速度为60Km/h，第二临界速度为90Km/h，第三临界速度为120Km/h。

进一步地，所述递归神经网络模型包括1个输入层、2个LSTM层、1个或多个全连接层和1个输出层。

进一步地，所述CNN和LSTM结合的模型包括CNN特征提取层、池化层、特征融合层、LSTM层和输出层。

根据本申请实施例的第二方面，提供一种基于计算机大数据的交通事故预估系统，包括：

测速模块，用于获取车辆的车速；

车型识别模块，用于对包含所述车辆的图像进行多分类任务从而识别车辆的车型；

第一算法模块，用于根据对前后车辆的车速进行加权整合得到的双车车速，通过线性回归模型进行车辆发生交通事故的风险评估；

第二算法模块，用于根据所述双车车速，通过RNN算法进行车辆发生交通事故的风险评估；

第三算法模块，用于根据所述双车车速，通过递归神经网络模型进行车辆发生交通事故的风险评估；

第四算法模块，用于根据所述双车车速，通过CNN和LSTM结合的模型进行车辆发生交通事故的风险评估；

预警模块，用于将所述车型对应的影响因子与所述风险评估的车速因子进行权重配置，得到该车辆发生交通事故的概率。

进一步地，还包括数据库和传感器，所述车速和包含所述车辆的图像由所述传感器采集并存储在所述数据库中。

进一步地，还包括接收器，所述接收器用于将预警模块得到的结果传递给用户。

本申请的实施例提供的技术方案可以包括以下有益效果：

通过车速和车型对道路上行驶的相邻车辆进行分析根据车速数据，选取对应的算法，得出车速因子对于发生交通事故概率的预估结果；将车速因子得出的预估结果、车型因子得出的多分类结果配备权重，得出最终预估结果，进而使得能够根据对同一条道路上的相近车辆型号和行驶速度的分析，对交通事故的发生概率进行预测。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1为本发明提出的一种基于计算机大数据的交通事故预估方法的流程示意图。

图2为本发明提出的一种基于计算机大数据的交通事故预估系统的模块示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

如图1所示，本申请提供一种基于计算机大数据的交通事故预估方法，包括：

S1：获取道路上前后相邻车辆的车速和车型；

具体地，通过雷达测速、激光测速或车辆自身的速度传感器得到所述车速；所述车型通过对包含所述车辆的图像进行多分类任务从而识别得到。通过卷积神经网络进行车型的识别，原因在于：CNN通过卷积核在输入图像上滑动并应用相同的权重，从而对输入图像的局部特征进行捕捉。这使得CNN对于图像中的局部变化具有较强的适应性；CNN的卷积层具有稀疏连接的特性，这使得网络能够更好地利用图像中的空间信息，提高了网络的表达能力。该卷积神经网络由输入层(该层接受图像作为输入)、卷积层1、ReLU激活层(该层用于添加非线性元素，使网络能够学习更复杂的特征。)、池化层、卷积层2、ReLU激活层(同上，再次添加非线性元素)、池化层、卷积层3、ReLU激活层(同上，再次添加非线性元素)、全连接层、输出层，输出层(该层使用softmax激活函数将神经元的输出转换为概率分布)，根据输出层结果确定预估车型。

本申请提到的影响因子—车型，指的是汽车类型(例如:小型车、紧凑型车、MPV车型等)；一般来说，相同车速下，车型相同的不同汽车(例如品牌等不同)对发生交通事故概率的影响差别细微，因此在本申请中忽略不计，例如同车速下均为紧凑车型的汽车的刹车距离几乎一致；因此，本申请中选择将车型这一因子设置为固定值，进一步来说，从车型角度分析，将不同车型对发生交通事故概率预估结果设为设置为对应的不同固定值。

所述不同车型对应固定值的设计，首先，需明确各种车型，鉴于市面上车型的细微类别极多，本申请中不做细致区分，从当前道路上出现的主流车型、车型相似程度等角度，本申请将车型分为：

1.大客车(专门用于载客，可搭载多至数十名乘客)

2.货车(专门用于货物运输的车辆，具有较大车身和强大的载货能力)

3.商务车(多用途汽车，相比轿车、SUV车厂更长，一般为多座(7座位))

4.轿车及SUV(最常见汽车类型，具有相对较低底盘和舒适装备，适合城市等一般道路行驶)

5.跑车(高性能汽车，主要用于告诉驾驶、赛车等竞技性活动)

一般来说，从概念理解的角度，配比权重的两方数据当且应当属于类似性质，(车速因子要配比权重的数据类型是概率，车型因子要配比的数据的类型也应同质化)，但鉴于车型因子对于发生事故的概率影响相对车速因子来说是固定化的，因此以固定值的的方式来配比权重；在本申请当中，车型因子的固定值可以把它理解成某种”风险指数“，当且应当将该固定值与概率类型数据进行关联与挂钩；

进一步地，结合上述分析(类比概率数据)，所有车型对应地固定值范围应设定在0～1之间，对应上文提到的”风险指数“，值越大，风险指数越高；针对不同车型设置固定值，在本申请中，不同车型固定值设计如下：

①大客车车型固定值为0.2，原因在于：从获取驾照标准角度，获取大客车准驾资格，对年龄、身体、驾龄、驾照级别等均有严格规定，客观上说，满足上述规定能够在道路上行驶地大客车，安全程度相比其它车型当且应当是最低；从道路知识与惯例角度，大客车一般的行驶速度也较低；从交通法规角度，一般路段对大型车辆的约束(如车速)也有明确的限制；从主观意识角度，一般来说，大客车载客量相比其它车型是最多，大客车司机需时刻谨慎观察，确保乘客安全；综上分析，同等条件下，大客车车型相比其它车型来说，其固定值应设为最低。

②货车车型固定值为0.4，原因在于：从交通法规角度，一般路段对大型车辆的约束(如车速)也有明确的限制；从道路知识与惯例角度，货车一般的行驶速度也较低；同样的，从获取驾照标准角度，获取货车车型的准假资格，驾驶技术、驾龄等各项指标也有较为严格的规定，只不过相对于大客车的规定要较为宽松(例如：在驾照级别上，大客车车型一般对应A类驾照，属于最高级别机动车驾驶证；货车车型一般对应B类驾照)；综上分析，将货车车型的固定值设置为0.4。

③商务车车型固定值为0.6，原因在于：商务车、轿车及SUV、跑车车型的固定值设计到了较高水平；从道路知识与惯例角度，这三类车型在道路上行驶速度普遍高于大型车辆；从交通法规角度，在各类道路条件下，对于这三类车型的行驶速度限制相比大型车辆也进行了放宽；从获取驾照标准角度，获取这三类车型准驾资格的难度也大大降低；因此把商务车车型的固定值设置为0.6。

④轿车及SUV车型固定值为0.7，原因在于：同③，轿车及SUV车型之所以固定值要相比商务车要高，主要是从用途与主观意识角度分析，在国内，商务车一般为7座，用途多为上午用途(商务洽谈、接送宾客)，对于车内乘客的安全有一定要求；而轿车多为家用，车内乘客数量相对较少，在主观意识上商务车车型对于驾驶人员的要求更高；因此把轿车及SUV车型的固定值设置为0.7。

⑤跑车车型固定值为0.8，原因在于：商务车、轿车及SUV、跑车车型的固定值设计到了较高水平；从道路知识与惯例角度，这三类车型在道路上行驶速度普遍高于大型车辆；从交通法规角度，在各类道路条件下，对于这三类车型的行驶速度限制相比大型车辆也进行了放宽；从获取驾照标准角度，获取这三类车型准驾资格的难度也大大降低；对于跑车车型，从车身结构和造型角度，跑车的车尾视线基本为零，尾窗的可视化程度较低；从性能动力角度，该车型动力强劲，但往往缺乏稳定性，特别是在高速行驶时，驾驶员需要承受较大的侧向加速度和离心力，容易产生晕眩和不适感，不安全因素增加；跑车的驾驶难度较大，需要驾驶员具备较强的掌控能力和驾驶技巧，对于驾驶员的反应速度和精神集中程度要求极高，但跑车准假资格与④、⑤车型并无提高；因此把跑车车型的固定值设置为0.8。

S2：对前后车辆的车速进行加权整合，根据得到的双车车速进行车辆发生交通事故的风险评估，其中，若所述双车车速的最高值低于第一临界速度，则通过线性回归模型进行风险评估；若所述双车车速的最高值介于第一临界速度和第二临界速度之间，则通过RNN算法进行风险评估；若所述双车车速的最高值介于第二临界速度和第三临界速度之间，则通过递归神经网络模型进行风险评估；若所述双车车速的最高值高于第三临界速度，则通过CNN和LSTM结合的模型进行风险评估；

具体地，对于将要进行风险评估的车速数据，是由前后相邻车辆测得的两个车速数据进行整合得到，在本申请中，以配比权重的方式来整合前后相邻车辆的两个数据；原因在于，前后相邻车辆的车速信息之间独立性较高；对于权重的配比而言，在本申请中，对于车速因子而言，主要是对于后车车速进行着重分析；一般来说，在许多技术应用场景，本申请中的后车为自身车辆或接收预测结果车辆，从逻辑性角度，自身车辆或接收预测结果的车辆的车速信息占比的权重应当更大；但是相邻的前车当且应当占据一定的权重；综合分析下，在本申请中，将本申请中测速模块所获得的前后相邻车辆的车速数据，以权重2：1或3：1进行分配(后车：前车)，然后将整合的车速数据，经由处理器传输给当前车速相对应的算法模块。

本申请中设置第一临界速度为60Km/h，原因在于：基于道路安全和交通法规考虑，60Km/h以下的行驶速度被认为在大多数道路条件下安全度较高的一个速度，而且在很多道路类型中(如城市高架桥)，也把60Km/h作为速度衡量的一个标志；一般来说，当行驶速度低于这一速度时，驾驶人员对于车辆控制及路况掌握较为容易；高于这一速度时，驾驶人员对车辆控制等难度有所增加；因此，把第一临界速度设置为60Km/h。

本申请中设置第二临界速度为90Km/h，原因在于：基于道路安全和交通法规考虑，已知同等条件下，车速越快，刹车距离越长；以刹车距离角度而言，经估算，车速在90Km/h情况下，大部分的家用车的刹车距离已经达到了35米左右，而行驶速度超过90Km/h以后，刹车距离会明显增长，发生交通事故的概率相比第一临界速度大大提高；因此，把第二临界速度设置为90Km/h。

本申请中设置第三临界速度为120Km/h，原因在于：基于道路安全和交通法规考虑，此时的汽车行驶速度已达到较高水平，同等条件下，该临界速度相比其他第一临界速度、第二临界速度发生交通事故的概率已大大提高；另一方面，由于诸多道路因素(路面摩擦系数、防护栏强度、坡度、曲率半径、标志大小等)都是按照120km/h标准设计的；如行驶速度低于这一速度，速度与诸多道路因素还在适配范围；反之，如行驶速度低于这一速度，速度与诸多道路因素已不适配，发生交通事故概率也相应增加；因此，把第三临界速度设置为120Km/h。

以下针对最高车速在不同范围内的情况进行详细描述。

(1)若所述双车车速的最高值低于第一临界速度，则通过线性回归模型进行风险评估；

采取线性回归模型，原因在于：最高车速在第一临界速度以下，发生交通事故的概率相对其它车速级别较低，车速与模型评估分析时的复杂度也不高，所以采用精度适配的线性回归模型；该模型主要用于建立车速和交通事故概率之间的数值关系，在通过该模型进行风险评估之前，需对其进行训练和评估，具体为：获取车速数据和各车速对应的交通事故概率，对数据进行预处理(包括特征缩放、缺失值处理等)，利用预处理后的数据进行模型训练(通过拟合一条直线来描述车速与交通事故概率的关系)，训练后进行模型评估(评估线性回归模型的性能，如均方误差等指标)。通过该模型的拟合程度和回归系数的解释，可以了解车速对交通事故概率的影响，从而提供决策支持和风险评估。在该车速级别下，着重注意但不只以精度为准，主要评估算法模型的难度系数、考虑车速与模型的适配性。

(2)若所述双车车速的最高值介于第一临界速度和第二临界速度之间，则通过RNN算法进行风险评估；

最高车速在第一临界速度、第二临界速度之间时采取循环神经网络(RNN)算法模型，原因在于：循环神经网络(RNN)是一种适合处理序列数据的神经网络，比如时间序列数据或者文本数据。在探究车速与交通事故概率的关系时，可以视车速为一序列数据。因为车速随时间变化，具有时序性，所以本发明中选择使用RNN进行建模。该算法模型的输入数据为车速数据和各车速对应的交通事故概率，该模型包含数据预处理层(归一化处理(将数据缩放到0-1范围内)和填充缺失值(如果有的话))、一个隐藏层(一个简单的RNN单元)、一个输出层(得到交通事故概率的预测值)，从而能根据输入的车速数据来得出交通事故概率的预测值。

(3)若所述双车车速的最高值介于第二临界速度和第三临界速度之间，则通过递归神经网络模型进行风险评估；

最高车速在第二临界速度、第三临界速度之间时采取递归神经网络模型，原因在于：最高车速在第二临界速度、第三临界速度之间，车速的评估级别也较高，因此选择复杂度高的递归神经网络模型；该模型由1个输入层；2层LSTM层(每层包含64个LSTM单元，LSTM主要用于捕捉提取的车速数据的依赖性，并捕捉数据中的长期依赖关系，从而更准确地预测交通事故的概率)；1个或多个全连接层(在一实施例中，可以选择一个包含32个节点的全连接层)；1个输出层(同第二算法模块，用于预估交通事故并进行输出)；递归神经网络的核心是LSTM层，该层在处理序列数据和时间依赖性极具优势，结合其优势与适配性选择该算法。

(4)若所述双车车速的最高值高于第三临界速度，则通过CNN和LSTM结合的模型进行风险评估；

最高车速在第三临界速度以上时采取CNN+LSTM算法模型，原因在于：CNN+LSTM的模型对于处理序列数据中的空间和时序信息极具优势；从适配性角度分析，这种组合模型可以同时利用图像和时间序列数据进行建模，从而能够有效地处理车速对交通事故概率的影响问题。所述CNN+LSTM组合算法模型由数据预处理(预处理车速数据和各车速对应的交通事故概率，一般得到序列数据)、CNN特征提取(将序列数据作为输入，通过一层或多层卷积层进行特征提取)、池化层(降低特征维度，保留重要特征信息，本申请中可采用最大池化或平均池化)、特征融合(将池化后的特征图转换为一维向量，并输入到LSTM层中)、LSTM建模(本申请中设置多个LSTM单元，以对时序信息进行建模)、输出层(LSTM层后添加一层或多层全连接层，用于输出最终预测结果)

所述CNN和LSTM结合的模型的训练与评估：使用车速数据和各车速对应的交通事故概率对模型进行训练，并进行超参数调优，例如学习率、批大小、网络结构等，一般来说，使用常规的优化算法如随机梯度下降(SGD)或者更先进的优化算法如Adam来优化本申请中的模型。使用提前分配的验证集数据对训练好的模型进行评估，可以使用各种评估指标如准确率、精确率、召回率、F1分数等来评估模型的性能。

S3：将所述车型对应的影响因子与所述风险评估的车速因子进行权重配置，得到该车辆发生交通事故的概率。

具体地，接收S2得出的预估结果、车型因子得出的多分类结果，并给予两者配比权重，得出发生交通事故概率的最终预估结果；之所以这样做，原因在于：在本申请中，车速因子、车型因子为发生交通事故概率的影响因子，但一般来说，两者是独立的影响因子，所以从合理性角度，选择对两者的分析结果分配权重，来得出最终的预估结果；因为车速和车型可能对交通事故的影响是不同的，所以分配的权重也不同，一般来说，同等条件下，不同车型对发生交通事故的概率有影响，但影响远小于同等条件下车速因子的作用，所以车速因子的权重要大于车型因子；例如，可以这样配置权重：车型因子分配0.1的权重，车速因子分配0.9的权重，以此得出最终计算结果。

综上所述，本方法通过分别对两种影响因子：车速因子、车型因子通过建立对应的算法模型，分别得出车速因子、车型因子对发生交通事故概率的预估结果，进而使得能够通过同一条道路上的前后相邻车辆型号和行驶速度进行分析，从而能够对交通事故发生的概率进行预测。

本申请还提供一种基于计算机大数据的交通事故预估系统，如图2所示，该系统可以包括：测速模块，用于获取车辆的车速；车型识别模块，用于对包含所述车辆的图像进行多分类任务从而识别车辆的车型；第一算法模块，用于根据对前后车辆的车速进行加权整合得到的双车车速，通过线性回归模型进行车辆发生交通事故的风险评估；第二算法模块，用于根据所述双车车速，通过RNN算法进行车辆发生交通事故的风险评估；第三算法模块，用于根据所述双车车速，通过递归神经网络模型进行车辆发生交通事故的风险评估；第四算法模块，用于根据所述双车车速，通过CNN和LSTM结合的模型进行车辆发生交通事故的风险评估；预警模块，用于将所述车型对应的影响因子与所述风险评估的车速因子进行权重配置，得到该车辆发生交通事故的概率。

该系统还可以包括数据库和传感器，所述车速和包含所述车辆的图像由所述传感器采集并存储在所述数据库中。

具体地，所述数据库是一个数据资源库，主要用于存储道路上各种车速数据与车型数据，包括但不限于文本、图像数据，用于对算法模型进行评估训练；数据可来源于交通管理部门、公共交通系统摄像头、第三方数据提供商等。数据库内的数据对于算法模型当且应当划分为训练集、验证集，通过数据集中随机选择一定比例的数据(例如80％)来生成训练集，从数据集中选择一定比例的数据(例如20％)来生成验证集。在模型训练过程中，使用验证集对模型的性能进行评估，并根据评估结果调整模型的超参数，以便在训练过程中优化模型的性能。

所述数据库连接有传感器，可实现数据调取和数据修正功能，便于对数据库中的数据进行调取，并且对错误的数据进行更改。

该系统还可以包括接收器，所述接收器用于将预警模块得到的结果传递给用户。具体地，所述预警模块将最终计算结果通过串行通信接口(如RS-232、RS485、SPI等)将计算结果发送给接收器，由于这种方式实现简单，适用于本申请这种数据传输量较小的场景。

综上所述，本系统通过测速模块和车型识别模块，分别对两种影响因子：车速因子、车型因子通过建立对应的算法模型，分别得出车速因子、车型因子对发生交通事故概率的预估结果，最后将最终预估结果传输给接收器，使得人们能够通过接收器进行接收，进而使得能够通过同一条道路上的相近车辆型号和行驶速度进行分析，从而能够对交通事故发生的概率进行预测。

本领域技术人员在考虑说明书及实践这里公开的内容后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。

Claims (10)

1.一种基于计算机大数据的交通事故预估方法，其特征在于，包括：

获取车辆的车速和车型；

对前后车辆的车速进行加权整合，根据得到的双车车速进行车辆发生交通事故的风险评估，其中，若所述双车车速的最高值低于第一临界速度，则通过线性回归模型进行风险评估；若所述双车车速的最高值介于第一临界速度和第二临界速度之间，则通过RNN算法进行风险评估；若所述双车车速的最高值介于第二临界速度和第三临界速度之间，则通过递归神经网络模型进行风险评估；若所述双车车速的最高值高于第三临界速度，则通过CNN和LSTM结合的模型进行风险评估；

将所述车型对应的影响因子与所述风险评估的车速因子进行权重配置，得到该车辆发生交通事故的概率。

2.根据权利要求1所述的方法，其特征在于，所述车型通过对包含所述车辆的图像进行多分类任务从而识别得到。

3.根据权利要求2所述的方法，其特征在于，通过卷积神经网络进行车型的识别。

4.根据权利要求1所述的方法，其特征在于，将前车车速和后车车速以权重2：1或3：1进行加权整合，得到双车车速。

5.根据权利要求1所述的方法，其特征在于，所述第一临界速度为60Km/h，第二临界速度为90Km/h，第三临界速度为120Km/h。

6.根据权利要求1所述的方法，其特征在于，所述递归神经网络模型包括1个输入层、2个LSTM层、1个或多个全连接层和1个输出层。

7.根据权利要求1所述的方法，其特征在于，所述CNN和LSTM结合的模型包括CNN特征提取层、池化层、特征融合层、LSTM层和输出层。

8.一种基于计算机大数据的交通事故预估系统，其特征在于，包括：

测速模块，用于获取车辆的车速；

车型识别模块，用于对包含所述车辆的图像进行多分类任务从而识别车辆的车型；

第一算法模块，用于根据对前后车辆的车速进行加权整合得到的双车车速，通过线性回归模型进行车辆发生交通事故的风险评估；

第二算法模块，用于根据所述双车车速，通过RNN算法进行车辆发生交通事故的风险评估；

第三算法模块，用于根据所述双车车速，通过递归神经网络模型进行车辆发生交通事故的风险评估；

第四算法模块，用于根据所述双车车速，通过CNN和LSTM结合的模型进行车辆发生交通事故的风险评估；

预警模块，用于将所述车型对应的影响因子与所述风险评估的车速因子进行权重配置，得到该车辆发生交通事故的概率。

9.根据权利要求8所述的系统，其特征在于，还包括数据库和传感器，所述车速和包含所述车辆的图像由所述传感器采集并存储在所述数据库中。

10.根据权利要求8所述的系统，其特征在于，还包括接收器，所述接收器用于将预警模块得到的结果传递给用户。