CN117636627A - 交通事故预测模型的训练方法、交通事故预测方法及装置 - Google Patents

Abstract

本申请公开一种交通事故预测模型的训练方法、交通事故预测方法及装置，该方法包括：获取包括第一历史交通数据集和第二历史交通数据集；从第一历史交通数据集中提取每个交通事故的多个交通特征构成训练样本集，从第二历史交通数据集中提取交通安全数据的多个交通特征构成无事故特征集；在基于训练样本集训练预测模型的过程中，针对每个交通事故的多个交通特征进行加权计算，获得每个交通事故的预测结果；当基于预测结果和真值确定模型不满足收敛条件时，通过计算每个交通事故的多个交通特征与无事故特征集中对应交通特征之间的差异，调整加权计算的权重值，直至基于多个交通事故的预测结果和真值确定模型满足收敛条件时，获得最终所需的预测模型。

Description

交通事故预测模型的训练方法、交通事故预测方法及装置

技术领域

本申请涉及交通技术领域，具体而言，涉及一种交通事故预测模型的训练方法、交通事故预测方法及装置。

背景技术

随着车辆的日益增多，路况信息越来越复杂，交通安全问题日益严峻。目前，为了减少交通事故的发生，主要还是优化辅助驾驶、无人驾驶的驾驶算法，例如通过车辆对周围路况进行感知，当检测到周围有障碍物或者大型车辆时，提醒减速慢行或换道躲避障碍物。但是，这种方式主要停留在自车与自车邻近的周围车辆的行驶情况，缺乏对一个路段的整体预测，因此，如何预测一个路段的交通事故风险情况，从而进一步减少交通事故的发生，依然是亟待解决的技术问题。

发明内容

本申请提供了一种交通事故预测模型的训练方法、交通事故预测方法及装置，能够预测一个路段的交通事故风险情况，从而进一步减少交通事故的发生。

具体的技术方案如下：

第一方面，本申请实施例提供了一种交通事故预测模型的训练方法，所述方法包括：

获取第一历史交通数据集和第二历史交通数据集，其中，所述第一历史交通数据集包括第一历史时间段内的交通事故数据，所述第二历史交通数据集包括第二历史时间段和/或第三历史时间段内的交通安全数据，所述第二历史时间段和所述第三历史时间段均早于所述第一历史时间段，所述第二历史时间段与所述第一历史时间段是同期关系，所述第三历史时间段和所述第一历史时间段是环期关系，所述交通安全数据为未发生交通事故的数据；

分别从所述第一历史交通数据集中提取每个交通事故的多个交通特征，构成训练样本集，分别从所述第二历史交通数据集中提取与所述第一历史交通数据集中每个所述交通事故对应的交通安全数据的多个交通特征，构成无事故特征集；

在基于所述训练样本集训练交通事故预测模型的过程中，分别针对每个所述交通事故的多个交通特征进行加权计算，获得每个所述交通事故的预测结果；

当基于多个所述交通事故的预测结果和对应的真值确定当前的所述交通事故预测模型不满足收敛条件时，通过计算所述第一历史交通数据集中每个所述交通事故的多个交通特征与所述无事故特征集中对应交通特征之间的差异，调整所述加权计算的权重值继续进行模型训练，直至基于多个所述交通事故的预测结果和真值确定当前的所述交通事故预测模型满足所述收敛条件时，获得最终所需的所述交通事故预测模型。

在一种可能的实现方式中，所述多个交通特征包括：路段相关特征、事故类型相关特征、车道数量和交通流量特征、天气特征、事故相关车辆的轨迹特征、驾驶员相关特征和驾驶方式特征中至少两项。

在一种可能的实现方式中，当所述训练样本集中还包括事故等级标签时，分别针对每个所述交通事故的多个交通特征进行加权计算，获得每个所述交通事故的预测结果包括：

对于不同事故等级，分别采用不同的权重组，对对应事故等级的所述交通事故的多个交通特征进行加权计算，获得所述交通事故的预测结果。

在一种可能的实现方式中，通过计算所述第一历史交通数据集中每个所述交通事故的多个交通特征与所述无事故特征集中对应交通特征之间的差异，调整所述加权计算的权重值继续进行模型训练，包括：

计算所述第一历史交通数据集中每个所述交通事故的多个交通特征与所述无事故特征集中对应交通特征之间的差异；

将差异相对大的交通特征的权重值调高，将差异相对小的交通特征的权重值调低；

基于调整后的权重值，对当前的所述交通事故预测模型继续进行训练。

第二方面，本申请实施例提供了一种交通事故预测方法，所述方法包括：

获取准实时交通数据，其中，所述准实时交通数据包括当前时刻之前预设时长内的历史交通数据、当前时刻的交通数据以及当前时刻之后所述预设时长内的预测交通数据；

提取所述准实时交通数据的多个交通特征；

将所述准实时交通数据的多个交通特征输入交通事故预测模型，输出交通事故预测结果，其中，所述交通事故预测模型根据第一方面中任一实现方式所述的方法训练而得。

在一种可能的实现方式中，所述交通事故预测结果包括未来第二时长内是否发生交通事故的预测结论和/或预测事故的风险等级；

在所述交通事故预测结果表征存在交通事故风险时，向用户输出交通事故预测提醒信息，其中，所述交通事故预测提醒信息用于提示即将发生交通事故和/或风险等级。

第三方面，本申请实施例提供了一种交通事故预测模型的训练装置，所述装置包括：

获取单元，用于获取第一历史交通数据集和第二历史交通数据集，其中，所述第一历史交通数据集包括第一历史时间段内的交通事故数据，所述第二历史交通数据集包括第二历史时间段和/或第三历史时间段内的交通安全数据，所述第二历史时间段和所述第三历史时间段均早于所述第一历史时间段，所述第二历史时间段与所述第一历史时间段是同期关系，所述第三历史时间段和所述第一历史时间段是环期关系，所述交通安全数据为未发生交通事故的数据；

提取单元，用于分别从所述第一历史交通数据集中提取每个交通事故的多个交通特征，构成训练样本集，分别从所述第二历史交通数据集中提取与所述第一历史交通数据集中每个所述交通事故对应的交通安全数据的多个交通特征，构成无事故特征集；

加权单元，用于在基于所述训练样本集训练交通事故预测模型的过程中，分别针对每个所述交通事故的多个交通特征进行加权计算，获得每个所述交通事故的预测结果；

调整单元，用于当基于多个所述交通事故的预测结果和对应的真值确定当前的所述交通事故预测模型不满足收敛条件时，通过计算所述第一历史交通数据集中每个所述交通事故的多个交通特征与所述无事故特征集中对应交通特征之间的差异，调整所述加权计算的权重值继续进行模型训练，直至基于多个所述交通事故的预测结果和真值确定当前的所述交通事故预测模型满足所述收敛条件时，获得最终所需的所述交通事故预测模型。

在一种可能的实现方式中，所述多个交通特征包括：路段相关特征、事故类型相关特征、车道数量和交通流量特征、天气特征、事故相关车辆的轨迹特征、驾驶员相关特征和驾驶方式特征中至少两项。

在一种可能的实现方式中，所述加权单元，用于当所述训练样本集中还包括事故等级标签时，对于不同事故等级，分别采用不同的权重组，对对应事故等级的所述交通事故的多个交通特征进行加权计算，获得所述交通事故的预测结果。

在一种可能的实现方式中，所述调整单元，用于计算所述第一历史交通数据集中每个所述交通事故的多个交通特征与所述无事故特征集中对应交通特征之间的差异；将差异相对大的交通特征的权重值调高，将差异相对小的交通特征的权重值调低；基于调整后的权重值，对当前的所述交通事故预测模型继续进行训练。

第四方面，本申请实施例提供了一种交通事故预测装置，所述装置包括：

获取单元，用于获取准实时交通数据，其中，所述准实时交通数据包括当前时刻之前预设时长内的历史交通数据、当前时刻的交通数据以及当前时刻之后所述预设时长内的预测交通数据；

提取单元，用于提取所述准实时交通数据的多个交通特征；

预测单元，用于将所述准实时交通数据的多个交通特征输入交通事故预测模型，输出交通事故预测结果，其中，所述交通事故预测模型根据权利要求1-4中任一项所述的方法训练而得。

在一种可能的实现方式中，所述交通事故预测结果包括未来第二时长内是否发生交通事故的预测结论和/或预测事故的风险等级；

所述装置还包括：

输出单元，用于在所述交通事故预测结果表征存在交通事故风险时，向用户输出交通事故预测提醒信息，其中，所述交通事故预测提醒信息用于提示即将发生交通事故和/或风险等级。

第五方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面任一可能的实现方式或者第二方面任一可能的实现方式所述的方法。

第六方面，本申请实施例提供了一种电子设备，电子设备包括：

一个或多个处理器；

所述处理器与存储装置耦合，所述存储装置用于存储一个或多个程序；

当一个或多个程序被一个或多个处理器执行，使得电子设备实现如第一方面任一可能的实现方式或者第二方面任一可能的实现方式所述的方法。

第七方面，本申请实施例提供了一种计算机程序产品，所述计算机程序产品中包含有指令，当指令在计算机或处理器上运行时，使得计算机或处理器执行第一方面任一可能的实现方式所述的方法。

本申请实施例提供的交通事故预测模型的训练方法、交通事故预测方法及装置，能够先获取包括第一历史时间段内的交通事故数据的第一历史交通数据集、包括与第一历史交通数据集有环期和/或同期关系的第二历史交通数据集，再分别从第一历史交通数据集中提取每个交通事故的多个交通特征，构成训练样本集，分别从第二历史交通数据集中提取与第一历史交通数据集中每个交通事故对应的交通安全数据的多个交通特征，构成无事故特征集，并在基于训练样本集训练交通事故预测模型的过程中，分别针对每个交通事故的多个交通特征进行加权计算，获得每个交通事故的预测结果，当没收敛时，通过计算第一历史交通数据集中每个交通事故的多个交通特征与无事故特征集中对应交通特征之间的差异，调整加权计算的权重值继续进行模型训练，直至获得收敛时的交通事故预测模型。由此可知，本申请实施例不仅能够基于包含交通事故数据的第一历史交通数据集训练模型，还可以基于包含交通安全数据的第二历史交通数据集调整模型所需的权重，从而加速模型的收敛，获得准确率更高的交通事故预测模型。与仅通过感知和决策实现对障碍物躲避相比，本申请实施例通过历史交通数据训练的交通事故预测模型能够预测一个路段的交通安全情况，进一步减少交通事故的发生。

本申请实施例的创新点至少包括：

(1)本申请实施例不仅能够基于包含交通事故数据的第一历史交通数据集训练模型，还可以基于包含交通安全数据的第二历史交通数据集调整模型所需的权重，从而加速模型的收敛，获得准确率更高的交通事故预测模型。与仅通过感知和决策实现对障碍物躲避相比，本申请实施例通过历史交通数据训练的交通事故预测模型能够预测一个路段的交通安全情况，进一步减少交通事故的发生。

(2)通多针对不同事故等级的交通事故数据，采用不同的权重组进行加权计算，可以实现更细粒度的计算，从而提高了每种等级的事故预测结果的准确性。

(3)在计算出第一历史交通数据集中每个交通事故的多个交通特征与无事故特征集中对应交通特征之间的差异之后，可以将差异相对大的交通特征的权重值调高，将差异相对小的交通特征的权重值调低，从而使得预测值更接近真值，进而加快了交通事故预测模型的收敛速度。

(4)当交通事故预测结果表示存在交通事故风险时，通过向用户输出交通事故预测提醒信息，可以让驾驶员及时做出避让措施，以进一步避免发生交通事故，提高交通安全性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍。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获得其他的附图。

图1为本申请实施例提供的一种交通事故预测模型的训练方法的流程示意图；

图2为本申请实施例提供的一种交通事故预测模型的训练方法的流程框图；

图3为本申请实施例提供的一种交通事故预测方法的流程示意图；

图4为本申请实施例提供的一种交通事故预测模型的训练装置的组成框图；

图5为本申请实施例提供的一种交通事故预测装置的组成框图。

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、完整的描述。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有付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。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。本申请实施例及附图中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含的一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

结合图1和图2，本申请实施例提供了一种交通事故预测模型的训练方法，该方法可以应用于电子设备或计算机设备，具体可以应用于终端或者服务器，该终端可以为车辆，也可以为路侧设备。具体的，该方法可以包括如下步骤：

S110：获取第一历史交通数据集和第二历史交通数据集。

其中，第一历史交通数据集包括第一历史时间段内的交通事故数据，第二历史交通数据集包括第二历史时间段和/或第三历史时间段内的交通安全数据，第二历史时间段和第三历史时间段均早于第一历史时间段，第二历史时间段与第一历史时间段是同期关系，第三历史时间段和第一历史时间段是环期关系，交通安全数据为未发生交通事故的数据。

例如，若第一历史交通数据集包括最近三个月(如2023年6月至8月)内的交通事故数据，则第二历史时间段内的交通安全数据包括2022年6月至8月内的交通安全数据，第二历史时间段内的交通安全数据包括2023年3月至5月内的交通安全数据。

在获取第一历史交通数据集之后，可以对第一历史交通数据集进行划分，获得每个历史事故发生前后第一时长(如5分钟)内的交通数据(以下称为历史事故交通数据段)，再按照预设时间间隔，将每个历史事故交通数据进行切片。例如切片后的数据包括历史事故发生前5s、发生时5s、发生后5s的历史事故交通数据。然后，将第二历史交通数据集对应第一历史交通数据集，也按照预设时间间隔进行切片，例如，第一历史交通数据集中的第0-5s的数据，与第二历史交通数据集中的第0-5s的数据相对应。

S120：分别从第一历史交通数据集中提取每个交通事故的多个交通特征，构成训练样本集，分别从第二历史交通数据集中提取与第一历史交通数据集中每个交通事故对应的交通安全数据的多个交通特征，构成无事故特征集。

多个交通特征包括：路段相关特征、事故类型相关特征、车道数量和交通流量特征、天气特征、事故相关车辆的轨迹特征、驾驶员相关特征和驾驶方式特征等至少两项。

路段相关特征包括一段道路的道路信息，道路信息包括道路长度、宽度、曲率、坡度等；事故类型相关特征包括事故类型、事故发生时间、事故地点等，事故类型可以包括直行事故、追尾事故、超车事故(快速车在超慢速车时与对面车相撞，或与突然横穿的行人、骑车人相撞而导致)、左转弯事故、右转变事故、窄道事故、弯道事故、坡道事故等，还可以包括事故等级，如轻微事故、一般事故、重大事故和特大事故，事故发生时间除了具体时间外，还可以有时间分类，比如是否为高峰时间；车道数量和交通流量特征包括车道数量、车流量、平均车速等；事故相关车辆的轨迹特征包括发生事故的车辆及其周围预设范围内的车辆的车速、加速度、转向角度等；驾驶员相关特征包括驾驶员的年龄、性别、驾龄、驾驶证类型、驾驶行为和驾驶风格等，驾驶行为包括是否超速、是否闯红灯、是否疲劳驾驶等，驾驶风格包括急躁程度、稳健性等；驾驶方式特征包括自动驾驶、辅助驾驶、人工驾驶等。

S130：在基于训练样本集训练交通事故预测模型的过程中，分别针对每个交通事故的多个交通特征进行加权计算，获得每个交通事故的预测结果。

在获得训练样本集之后，可以将该训练样本集输入初始的交通事故预测模型中，该初始的交通事故预测模型会对训练样本集中的每个特征进行编码或者独热编码，使得交通事故预测模型能够识别各个特征的含义。初始的交通事故预测模型中初始化有各个交通特征的权重值，例如初始化状态时，各个交通特征的权重值均相同。在对各个交通特征进行编码之后，可以基于机器学习，分别赋值每个交通特征一个分数，再分别针对每个交通事故，利用初始的权重值对各种交通特征进行加权计算，获得每个交通事故的加权结果，基于加权结果确定每个交通事故的预测结果。当赋值分数的策略是：模型初始化时，赋值各个交通特征相同的分数，模型训练过程中，可以不改变各个交通特征分数，仅调整各个交通特征的权重，也可以根据交通特征的内容，赋值对应分数，例如交通特征越不满足安全交通要求，赋值分数越高，反之赋值分数。预测结果包括基于加权结果确定的是否会发生交通事故的预测结论及风险等级。本申请实施例可以将满分划分为多个分数段，不同分数段对应不同风险等级，在获得加权结果后，可以根据该加权结果所属的分数段，确定风险等级。例如，当加权结果大于或者等于预设分数阈值时，预测结果包括会发生交通事故，且加权结果越高，风险等级越高，加权结果小于预设分数阈值时，预测结果包括不会发生交通事故。例如预设分数阈值为50分，50分以下不会发生交通事故，[50,60]的风险等级是低级风险，[60-80]的风险等级是中级风险，[70-100]的风险等级是高级风险。

在一种实施方式中，当训练样本集中还包括事故等级标签时，对于不同事故等级，分别采用不同的权重组，对对应事故等级的交通事故的多个交通特征进行加权计算，获得交通事故的预测结果。也就是说，当事故等级不同时，加权计算的权重值可以不同，实现更细粒度的计算，从而可以提高每种等级的事故预测结果的准确性。

S140：当基于多个交通事故的预测结果和对应的真值确定当前的交通事故预测模型不满足收敛条件时，通过计算第一历史交通数据集中每个交通事故的多个交通特征与无事故特征集中对应交通特征之间的差异，调整加权计算的权重值继续进行模型训练，直至基于多个交通事故的预测结果和真值确定当前的交通事故预测模型满足收敛条件时，获得最终所需的交通事故预测模型。

真值包括是否会发生交通事故的真实结论和/或真实的风险等级，可以预先进行人工标记。在获得每个交通事故的预测结果和对应的真值之后，可以分别计算每个交通事故的预测结果和真值之间的差异，并根据所有交通事故的差异确定当前的交通事故预测模型是否满足收敛条件，如当所有差异的均值大于或者等于预设损失阈值时，确定不满足收敛条件，而当所有差异的均值小于预设损失阈值时，确定满足收敛条件。

当基于多个交通事故的预测结果和对应的真值确定当前的交通事故预测模型不满足收敛条件时，可以通过计算第一历史交通数据集中每个交通事故的多个交通特征与无事故特征集中对应交通特征之间的差异，调整加权计算的权重值继续进行模型训练。具体的，可以先计算第一历史交通数据集中每个交通事故的多个交通特征与无事故特征集中对应交通特征之间的差异，再将差异相对大的交通特征的权重值调高，将差异相对小的交通特征的权重值调低，最后基于调整后的权重值，对当前的交通事故预测模型继续进行训练。调整的幅度可以根据差异的幅度而定，差异的幅度越大，调整的幅度越大，反之越小。例如，调整前的加权公式＝路段相关特征*10％+事故类型相关特征*5％+车道数量和交通流量特征*15％+天气特征*5％+事故相关车辆的轨迹特征*40％+驾驶员相关特征*15％+驾驶方式*10％，事故相关车辆的轨迹特征的差异最大，驾驶员相关特征的差异最小，则可以将事故相关车辆的轨迹特征调高，驾驶员相关特征的差异最小调低，调整后的加权公式＝路段相关特征*10％+事故类型相关特征*5％+车道数量和交通流量特征*15％+天气特征*5％+事故相关车辆的轨迹特征*43％+驾驶员相关特征*12％+驾驶方式*10％。

本申请实施例提供的交通事故预测模型的训练方法，能够先获取包括第一历史时间段内的交通事故数据的第一历史交通数据集、包括与第一历史交通数据集有环期和/或同期关系的第二历史交通数据集，再分别从第一历史交通数据集中提取每个交通事故的多个交通特征，构成训练样本集，分别从第二历史交通数据集中提取与第一历史交通数据集中每个交通事故对应的交通安全数据的多个交通特征，构成无事故特征集，并在基于训练样本集训练交通事故预测模型的过程中，分别针对每个交通事故的多个交通特征进行加权计算，获得每个交通事故的预测结果，当没收敛时，通过计算第一历史交通数据集中每个交通事故的多个交通特征与无事故特征集中对应交通特征之间的差异，调整加权计算的权重值继续进行模型训练，直至获得收敛时的交通事故预测模型。由此可知，本申请实施例不仅能够基于包含交通事故数据的第一历史交通数据集训练模型，还可以基于包含交通安全数据的第二历史交通数据集调整模型所需的权重，从而加速模型的收敛，获得准确率更高的交通事故预测模型。与仅通过感知和决策实现对障碍物躲避相比，本申请实施例通过历史交通数据训练的交通事故预测模型能够预测一个路段的交通安全情况，进一步减少交通事故的发生。

基于上述方法实施例，本申请的另一个实施例提供了一种交通事故预测方法，如图3所示，该方法包括：

S210：获取准实时交通数据。

其中，准实时交通数据包括当前时刻之前预设时长内的历史交通数据、当前时刻的交通数据以及当前时刻之后预设时长内的预测交通数据。预设时长可以为预设时间间隔的长度，例如5s。

为了减少车辆的计算量，本申请实施例可以仅获取事故多发路段的准实时交通数据。事故多发路段可以通过云控平台、交通管理中心或人为上报等方式获取。

S220：提取准实时交通数据的多个交通特征。

多个交通特征包括：路段相关特征、事故类型相关特征、车道数量和交通流量特征、天气特征、事故相关车辆的轨迹特征、驾驶员相关特征和驾驶方式特征中至少两项。

S230：将准实时交通数据的多个交通特征输入交通事故预测模型，输出交通事故预测结果。

其中，交通事故预测模型根据上述交通事故预测模型的训练方法中任一实施例的方法训练而得。将准实时交通数据的多个交通特征输入交通事故预测模型之后，该交通事故预测模型先对这些交通特征进行编码或独热编码，然后对编码后的交通特征进行加权计算，获得加权结果。当加权结果大于或者等于预设分数阈值时，确定会发生交通事故，并根据该加权结果所属的分数段，确定风险等级。

当不同事故等级采用不同的权重组计算时，可以从实时交通数据的各个交通特征与各种风险等级对应的交通特征之间的差异程度中，选择平均差异程度最小的风险等级对应的权重组，作为准实时交通数据所采用的权重组。各种风险等级对应的交通特征包括训练样本集中各种风险等级对应的交通特征。

当不同事故等级采用不同的权重组计算时，还可以分别采用不同的权重组进行加权计算，选择加权结果最高的分数作为最终的加权结果。

本申请实施例提供的交通事故预测方法，能够先获取准实时交通数据，再提取准实时交通数据的多个交通特征，最后通过将该多个交通特征输入基于历史交通数据训练得到的交通事故预测模型，获得交通事故预测结果。与仅通过感知和决策实现对障碍物躲避相比，本申请实施例通过历史交通数据训练的交通事故预测模型能够预测一个路段的交通安全情况，进一步减少交通事故的发生。

在一种实施方式中，为了避免发生交通事故，在交通事故预测结果包括未来预设时长内是否发生交通事故的预测结论和/或预测事故的风险等级的情况下，在交通事故预测结果表征存在交通事故风险时，向用户输出交通事故预测提醒信息，其中，交通事故预测提醒信息用于提示即将发生交通事故和/或风险等级。

交通事故预测提醒信息的输出方式包括但不限于语音提示、文字方式，或者语音和文字的结合方式，可以在中控屏输出，也可以在与车辆绑定的移动终端输出。

此外，还可以输出避让措施建议，如减速、改变行驶路线等，以进一步避免发生交通事故，提高交通安全性。

需要补充的是，上述方法包括如下特点：

(1)实时性：该方法能够基于大数据实时计算，对事故多发路段的交通事故发生概率进行预测。通过及时收集、分析和处理交通数据，能够实时监测路段交通状况，快速判断是否存在事故风险，并提前预警。

(2)准确性：使用大数据分析技术，结合历史交通数据和实时交通信息，可以准确地预测事故多发路段的交通事故发生概率。这种预测能够基于大量的数据样本和模型训练，提高精确度，从而减少事故的发生，保障交通安全。

(3)预警功能：当系统检测到某些路段存在交通事故风险时，能够提前发出预警信号，告知驾驶员或相关部门注意该路段的交通情况，以便采取相应的措施，如调整行车路线、减速等，从而降低事故的发生风险。

(4)效率性：利用大数据实时计算技术，该方法能够快速分析交通数据，并根据预设的算法进行处理。相较于传统的手动监测和人工预测方法，大大缩短了预测和响应的时间，提高了交通管理的效率。

(5)可扩展性：该方法基于大数据和实时计算技术，具有良好的可扩展性。随着交通数据的积累和技术的不断发展，可以学习更多样本数据，进一步完善和优化预测模型，提高系统的性能和精确度。

(6)模型的可复用性：对于训练的交通事故预测模型，可以在事故多发路段，进行模型的复用。并收集各个事故多发路端的数据，学习共性特征，更好的完善交通事故预测模型，而且该模型可以提供给路侧设备复用。

基于上述方法实施例，本申请的另一个实施例还提供了一种交通事故预测模型的训练装置，如图4所示，所述装置包括：

获取单元310，用于获取第一历史交通数据集和第二历史交通数据集，其中，所述第一历史交通数据集包括第一历史时间段内的交通事故数据，所述第二历史交通数据集包括第二历史时间段和/或第三历史时间段内的交通安全数据，所述第二历史时间段和所述第三历史时间段均早于所述第一历史时间段，所述第二历史时间段与所述第一历史时间段是同期关系，所述第三历史时间段和所述第一历史时间段是环期关系，所述交通安全数据为未发生交通事故的数据；

提取单元320，用于分别从所述第一历史交通数据集中提取每个交通事故的多个交通特征，构成训练样本集，分别从所述第二历史交通数据集中提取与所述第一历史交通数据集中每个所述交通事故对应的交通安全数据的多个交通特征，构成无事故特征集；

加权单元330，用于在基于所述训练样本集训练交通事故预测模型的过程中，分别针对每个所述交通事故的多个交通特征进行加权计算，获得每个所述交通事故的预测结果；

调整单元340，用于当基于多个所述交通事故的预测结果和对应的真值确定当前的所述交通事故预测模型不满足收敛条件时，通过计算所述第一历史交通数据集中每个所述交通事故的多个交通特征与所述无事故特征集中对应交通特征之间的差异，调整所述加权计算的权重值继续进行模型训练，直至基于多个所述交通事故的预测结果和真值确定当前的所述交通事故预测模型满足所述收敛条件时，获得最终所需的所述交通事故预测模型。

在一种可能的实现方式中，所述多个交通特征包括：路段相关特征、事故类型相关特征、车道数量和交通流量特征、天气特征、事故相关车辆的轨迹特征、驾驶员相关特征和驾驶方式特征中至少两项。

在一种可能的实现方式中，所述加权单元330，用于当所述训练样本集中还包括事故等级标签时，对于不同事故等级，分别采用不同的权重组，对对应事故等级的交通事故的多个交通特征进行加权计算，获得交通事故的预测结果。

在一种可能的实现方式中，所述调整单元340，用于计算所述第一历史交通数据集中每个所述交通事故的多个交通特征与所述无事故特征集中对应交通特征之间的差异；将差异相对大的交通特征的权重值调高，将差异相对小的交通特征的权重值调低；基于调整后的权重值，对当前的所述交通事故预测模型继续进行训练。

本申请实施例提供的交通事故预测模型的训练装置，能够先获取包括第一历史时间段内的交通事故数据的第一历史交通数据集、包括与第一历史交通数据集有环期和/或同期关系的第二历史交通数据集，再分别从第一历史交通数据集中提取每个交通事故的多个交通特征，构成训练样本集，分别从第二历史交通数据集中提取与第一历史交通数据集中每个交通事故对应的交通安全数据的多个交通特征，构成无事故特征集，并在基于训练样本集训练交通事故预测模型的过程中，分别针对每个交通事故的多个交通特征进行加权计算，获得每个交通事故的预测结果，当没收敛时，通过计算第一历史交通数据集中每个交通事故的多个交通特征与无事故特征集中对应交通特征之间的差异，调整加权计算的权重值继续进行模型训练，直至获得收敛时的交通事故预测模型。由此可知，本申请实施例不仅能够基于包含交通事故数据的第一历史交通数据集训练模型，还可以基于包含交通安全数据的第二历史交通数据集调整模型所需的权重，从而加速模型的收敛，获得准确率更高的交通事故预测模型。与仅通过感知和决策实现对障碍物躲避相比，本申请实施例通过历史交通数据训练的交通事故预测模型能够预测一个路段的交通安全情况，进一步减少交通事故的发生。

基于上述方法实施例，本申请的另一个实施例还提供了一种交通事故预测装置，如图5所示，所述装置包括：

获取单元410，用于获取准实时交通数据，其中，所述准实时交通数据包括当前时刻之前预设时长内的历史交通数据、当前时刻的交通数据以及当前时刻之后所述预设时长内的预测交通数据；

提取单元420，用于提取所述准实时交通数据的多个交通特征；

预测单元430，用于将所述准实时交通数据的多个交通特征输入交通事故预测模型，输出交通事故预测结果，其中，所述交通事故预测模型根据权利要求1-4中任一项所述的方法训练而得。

在一种可能的实现方式中，所述交通事故预测结果包括未来第二时长内是否发生交通事故的预测结论和/或预测事故的风险等级；

所述装置还包括：

输出单元，用于在所述交通事故预测结果表征存在交通事故风险时，向用户输出交通事故预测提醒信息，其中，所述交通事故预测提醒信息用于提示即将发生交通事故和/或风险等级。

本申请实施例提供的交通事故预测装置，能够先获取准实时交通数据，再提取准实时交通数据的多个交通特征，最后通过将该多个交通特征输入基于历史交通数据训练得到的交通事故预测模型，获得交通事故预测结果。与仅通过感知和决策实现对障碍物躲避相比，本申请实施例通过历史交通数据训练的交通事故预测模型能够预测一个路段的交通安全情况，进一步减少交通事故的发生。

基于上述方法实施例，本申请的另一实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述任一实施方式所述的方法。

基于上述方法实施例，本申请的另一实施例提供了一种电子设备或计算机设备，包括：

一个或多个处理器；

所述处理器与存储装置耦合，所述存储装置用于存储一个或多个程序；

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得电子设备或计算机设备实现如上任一实施方式所述的方法。

基于上述方法实施例，本申请的另一实施例提供了一种车辆，该车辆包含如上任一实施方式所述的装置，或者包含如上所述的电子设备。

基于上述实施例，本申请的另一实施例提供了一种计算机程序产品，所述计算机程序产品中包含有指令，当指令在计算机或处理器上运行时，使得计算机或处理器执行如上任一实施方式所述的方法。

上述装置实施例与方法实施例相对应，与该方法实施例具有同样的技术效果，具体说明参见方法实施例。装置实施例是基于方法实施例得到的，具体的说明可以参见方法实施例部分，此处不再赘述。本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本申请所必须的。

本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。

Claims (10)

1.一种交通事故预测模型的训练方法，其特征在于，所述方法包括：

获取第一历史交通数据集和第二历史交通数据集，其中，所述第一历史交通数据集包括第一历史时间段内的交通事故数据，所述第二历史交通数据集包括第二历史时间段和/或第三历史时间段内的交通安全数据，所述第二历史时间段和所述第三历史时间段均早于所述第一历史时间段，所述第二历史时间段与所述第一历史时间段是同期关系，所述第三历史时间段和所述第一历史时间段是环期关系，所述交通安全数据为未发生交通事故的数据；

分别从所述第一历史交通数据集中提取每个交通事故的多个交通特征，构成训练样本集，分别从所述第二历史交通数据集中提取与所述第一历史交通数据集中每个所述交通事故对应的交通安全数据的多个交通特征，构成无事故特征集；

在基于所述训练样本集训练交通事故预测模型的过程中，分别针对每个所述交通事故的多个交通特征进行加权计算，获得每个所述交通事故的预测结果；

当基于多个所述交通事故的预测结果和对应的真值确定当前的所述交通事故预测模型不满足收敛条件时，通过计算所述第一历史交通数据集中每个所述交通事故的多个交通特征与所述无事故特征集中对应交通特征之间的差异，调整所述加权计算的权重值继续进行模型训练，直至基于多个所述交通事故的预测结果和真值确定当前的所述交通事故预测模型满足所述收敛条件时，获得最终所需的所述交通事故预测模型。

2.根据权利要求1所述的方法，其特征在于，所述多个交通特征包括：路段相关特征、事故类型相关特征、车道数量和交通流量特征、天气特征、事故相关车辆的轨迹特征、驾驶员相关特征和驾驶方式特征中至少两项。

3.根据权利要求1所述的方法，其特征在于，当所述训练样本集中还包括事故等级标签时，分别针对每个所述交通事故的多个交通特征进行加权计算，获得每个所述交通事故的预测结果包括：

对于不同事故等级，分别采用不同的权重组，对对应事故等级的所述交通事故的多个交通特征进行加权计算，获得所述交通事故的预测结果。

4.根据权利要求1-3中任一项所述的方法，其特征在于，通过计算所述第一历史交通数据集中每个所述交通事故的多个交通特征与所述无事故特征集中对应交通特征之间的差异，调整所述加权计算的权重值继续进行模型训练，包括：

计算所述第一历史交通数据集中每个所述交通事故的多个交通特征与所述无事故特征集中对应交通特征之间的差异；

将差异相对大的交通特征的权重值调高，将差异相对小的交通特征的权重值调低；

基于调整后的权重值，对当前的所述交通事故预测模型继续进行训练。

5.一种交通事故预测方法，其特征在于，所述方法包括：

获取准实时交通数据，其中，所述准实时交通数据包括当前时刻之前第一时长内的历史交通数据、当前时刻的交通数据以及当前时刻之后所述第一时长内的预测交通数据；

提取所述准实时交通数据的多个交通特征；

将所述准实时交通数据的多个交通特征输入交通事故预测模型，输出交通事故预测结果，其中，所述交通事故预测模型根据权利要求1-4中任一项所述的方法训练而得。

6.根据权利要求5所述的方法，其特征在于，所述交通事故预测结果包括未来第二时长内是否发生交通事故的预测结论和/或预测事故的风险等级；

在所述交通事故预测结果表征存在交通事故风险时，向用户输出交通事故预测提醒信息，其中，所述交通事故预测提醒信息用于提示即将发生交通事故和/或风险等级。

7.一种交通事故预测模型的训练装置，其特征在于，所述装置包括：

获取单元，用于获取第一历史交通数据集和第二历史交通数据集，其中，所述第一历史交通数据集包括第一历史时间段内的交通事故数据，所述第二历史交通数据集包括第二历史时间段和/或第三历史时间段内的交通安全数据，所述第二历史时间段和所述第三历史时间段均早于所述第一历史时间段，所述第二历史时间段与所述第一历史时间段是同期关系，所述第三历史时间段和所述第一历史时间段是环期关系，所述交通安全数据为未发生交通事故的数据；

提取单元，用于分别从所述第一历史交通数据集中提取每个交通事故的多个交通特征，构成训练样本集，分别从所述第二历史交通数据集中提取与所述第一历史交通数据集中每个所述交通事故对应的交通安全数据的多个交通特征，构成无事故特征集；

加权单元，用于在基于所述训练样本集训练交通事故预测模型的过程中，分别针对每个所述交通事故的多个交通特征进行加权计算，获得每个所述交通事故的预测结果；

调整单元，用于当基于多个所述交通事故的预测结果和对应的真值确定当前的所述交通事故预测模型不满足收敛条件时，通过计算所述第一历史交通数据集中每个所述交通事故的多个交通特征与所述无事故特征集中对应交通特征之间的差异，调整所述加权计算的权重值继续进行模型训练，直至基于多个所述交通事故的预测结果和真值确定当前的所述交通事故预测模型满足所述收敛条件时，获得最终所需的所述交通事故预测模型。

8.一种交通事故预测装置，其特征在于，所述装置包括：

获取单元，用于获取准实时交通数据，其中，所述准实时交通数据包括当前时刻之前第一时长内的历史交通数据、当前时刻的交通数据以及当前时刻之后所述第一时长内的预测交通数据；

提取单元，用于提取所述准实时交通数据的多个交通特征；

预测单元，用于将所述准实时交通数据的多个交通特征输入交通事故预测模型，输出交通事故预测结果，其中，所述交通事故预测模型根据权利要求1-4中任一项所述的方法训练而得。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-4中任一项所述的方法，或者实现如权利要求5-6中任一项所述的方法。

10.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理器；

所述处理器与存储装置耦合，所述存储装置用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如权利要求1-4中任一项所述的方法，或者实现如权利要求5-6中任一项所述的方法。