CN117935109A - 事故检测方法、装置、电子设备以及计算机可读存储介质 - Google Patents

Abstract

本申请实施例公开了一种事故检测方法、装置、电子设备以及计算机可读存储介质，涉及数据处理技术领域，该方法包括：将车辆运行期间所产生的多维度运行数据输入事故检测模型，事故检测模型包括孤立森林模型和时间序列模型；采用孤立森林模型识别多维度运行数据中的第一异常数据；从多维度运行数据中获取与第一异常数据属于同一维度的数据，得到与第一异常数据属于同一维度且包含第一异常数据的时间序列数据；采用时间序列模型识别时间序列数据中的第二异常数据；确定车辆运行期间产生第一异常数据与产生第二异常数据的时间差异；根据时间差异判断车辆是否发生事故。本申请能够通过车辆以往的运行数据判断车辆是否发生事故。

Description

事故检测方法、装置、电子设备以及计算机可读存储介质

技术领域

本申请涉及车辆技术领域，并且更具体地，涉及车辆技术领域中一种事故检测方法、装置、电子设备和计算机可读存储介质。

背景技术

近年来，随着汽车保有量的急剧增加，高速公路交通事故发生数量也持续上升。这一趋势已经引起了广泛的社会关注，相关部门也加紧采取措施来应对。据相关机构调查研究，车辆异常是造成交通事故发生的主要因素。这进一步加剧了我们对高速公路交通安全的担忧。

车辆异常可能是由多种因素引起的，包括驾驶员身体不适、疲劳驾驶、酒后驾驶等，还包括车辆本身出现电池电能不足、轮胎打滑、胎压太低等问题。这些因素都可能导致驾驶员无法正常驾驶车辆，从而增加了交通事故的风险。如果不能及时预测这些异常车辆会引发的事故，并对这些异常车辆及时干预，轻则会增加交通拥堵，降低道路通行能力，重则会引发交通事故，造成人员伤亡及巨大的经济损失。

因此，预测车辆在行驶过程中可能出现的事故，并对其进行及时干预，减少因事故发生导致的财产损失和人员伤亡，对于提升交通道路安全水平具有重要意义。

发明内容

本申请提供了一种事故检测方法、装置、电子设备和计算机可读存储介质，该方法能够通过由孤立森林模型和时间序列模型融合得到的事故检测模型从车辆以往的运行数据中识别异常数据，并通过异常数据判断车辆是否发生事故。由于事故检测模型通过孤立森林模型和时间序列模型融合得到，事故检测模型综合了孤立森林模型和时间序列模型的优点，能够提高异常数据识别的准确性和可信度。

第一方面，提供了一种事故检测方法，所述事故检测方法包括：将目标车辆运行期间所产生的目标数据输入预先训练的事故检测模型；其中，所述目标数据包括多个维度的运行数据，所述事故检测模型包括孤立森林模型和时间序列模型，所述孤立森林模型的输出层与所述时间序列模型的输入层连接；采用所述孤立森林模型对所述目标数据中的异常数据进行识别，得到第一异常数据；从所述目标数据中获取与所述第一异常数据属于同一维度的运行数据，以得到与所述第一异常数据属于同一维度的且包含所述第一异常数据的时间序列数据；采用所述时间序列模型对所述时间序列数据中的异常数据进行识别，得到第二异常数据；确定所述目标车辆运行期间产生所述第一异常数据与产生所述第二异常数据的时间差异；根据所述时间差异判断所述目标车辆是否发生事故。

在上述技术方案中，本申请实施例通过采用将目标车辆运行期间所产生的目标数据输入预先训练的事故检测模型，目标数据包括多个维度的运行数据，事故检测模型包括孤立森林模型和时间序列模型，采用孤立森林模型对目标数据中的异常数据进行识别，得到第一异常数据，从目标数据中获取与第一异常数据属于同一维度的运行数据，以得到与第一异常数据属于同一维度的且包含第一异常数据的时间序列数据，采用时间序列模型对时间序列数据中的异常数据进行识别，得到第二异常数据，确定目标车辆运行期间产生第一异常数据与产生第二异常数据的时间差异，根据时间差异判断目标车辆是否发生事故的技术方案，能够通过由孤立森林模型和时间序列模型融合得到的事故检测模型从车辆以往的运行数据中识别异常数据，并通过异常数据判断车辆是否发生事故。由于事故检测模型通过孤立森林模型和时间序列模型融合得到，事故检测模型综合了孤立森林模型和时间序列模型的优点，能够提高异常数据识别的准确性和可信度。当通过异常数据判断车辆发生事故之后，可以让用户及时知晓车辆已经发生事故，避免用户在不知情车辆已经发生事故的情况继续用车，从而危及人身安全的情况发生。

结合第一方面，在某些可能的实现方式中，所述目标数据中的每个运行数据携带有数据的产生时间；所述从所述目标数据中获取与所述第一异常数据属于同一维度的运行数据，以得到与所述第一异常数据属于同一维度的且包含所述第一异常数据的时间序列数据包括：将所述第一异常数据携带的产生时间作为参考时间；从所述目标数据中获取在所述参考时间之前产生的第一预设时间段内的且与所述第一异常数据属于同一维度的运行数据，以得到第一检测数据；从所述目标数据中获取在所述参考时间之后产生的第二预设时间段内的且与所述第一异常数据属于同一维度的运行数据，以得到第二检测数据；根据所述第一检测数据、所述第一异常数据和所述第二检测数据产生所述时间序列数据。

结合第一方面和上述实现方式，在某些可能的实现方式中，所述确定所述目标车辆运行期间产生所述第一异常数据与产生所述第二异常数据的时间差异包括：确定所述第一异常数据携带的产生时间与所述第二异常数据携带的产生时间之间的差值；将所述差值确定为所述时间差异。

结合第一方面和上述实现方式，在某些可能的实现方式中，所述根据所述时间差异判断所述目标车辆是否发生事故包括：在所述时间差异为所述差值的情况下，判断所述差值是否小于或者等于预设差值；若是，判定所述目标车辆发生事故；若否，判定所述目标车辆未发生事故。

结合第一方面和上述实现方式，在某些可能的实现方式中，所述根据所述时间差异判断所述目标车辆是否发生事故之后，所述事故检测方法还包括：：在判定所述目标车辆发生事故的情况下，获取所述第一异常数据携带的产生时间至所述第二异常数据携带的产生时间内所采集的行车记录视频；根据所述第一异常数据、所述第二异常数据和所述行车记录视频确定事故类型；输出关于所述事故类型的提示信息。

结合第一方面和上述实现方式，在某些可能的实现方式中，所述采用所述孤立森林模型对所述目标数据中的异常数据进行识别，得到第一异常数据包括：将所述目标数据中的每个运行数据输入所述孤立森林模型，得到每个运行数据在所述孤立森林模型中的路径长度；根据每个运行数据在所述孤立森林模型中的路径长度，确定所述目标数据中的每个运行数据的异常得分；根据所述异常得分，从所述目标数据中确定出满足异常条件的运行数据，得到所述第一异常数据。

结合第一方面和上述实现方式，在某些可能的实现方式中，所述事故检测方法还包括：获取多个样本车辆各自对应的样本数据集；其中，对于所述多个样本车辆中的每个样本车辆，所述样本车辆对应的样本数据集包括所述样本车辆在不同时间下运行所产生的多个维度的样本运行数据，每个样本运行数据具有标注信息，所述标注信息用于表示样本运行数据的数据类别为正常类别或异常类别；采用所述孤立森林模型对所述样本车辆对应的样本数据集中的异常数据进行识别，得到所述第一识别结果，所述第一识别结果包括第三异常数据和所述第三异常数据的第一数据类别，所述第一数据类别为异常类别；从所述样本车辆对应的样本数据集中获取与所述第三异常数据属于同一维度的样本运行数据，以得到与所述第三异常数据属于同一维度的且包含所述第三异常数据的样本时间序列数据；采用所述时间序列模型对所述样本时间序列数据中的异常数据进行识别，得到所述第二识别结果，所述第二识别结果包括第四异常数据和所述第四异常数据的第二数据类别，所述第二数据类别为异常类别；根据所述第一数据类别与所述第三异常数据的标注信息之间的第一差异信息，以及根据所述第二数据类别与所述第四异常数据的标注信息之间的第二差异信息，训练所述事故检测模型。

第二方面，提供了一种事故检测装置，所述事故检测装置包括：

异常识别模块，用于将目标车辆运行期间所产生的目标数据输入预先训练的事故检测模型；其中，所述目标数据包括多个维度的运行数据，所述事故检测模型包括孤立森林模型和时间序列模型，所述孤立森林模型的输出层与所述时间序列模型的输入层连接；采用所述孤立森林模型对所述目标数据中的异常数据进行识别，得到第一异常数据；从所述目标数据中获取与所述第一异常数据属于同一维度的运行数据，以得到与所述第一异常数据属于同一维度的且包含所述第一异常数据的时间序列数据；采用所述时间序列模型对所述时间序列数据中的异常数据进行识别，得到第二异常数据；

差异确定模块，用于确定所述目标车辆运行期间产生所述第一异常数据与产生所述第二异常数据的时间差异；

事故判断模块，用于根据所述时间差异判断所述目标车辆是否发生事故。

结合第二方面，在某些可能的实现方式中，所述目标数据中的每个运行数据携带有数据的产生时间，所述异常识别模块包括：

第一数据选取单元，用于所述第一异常数据携带的产生时间作为参考时间；从所述目标数据中获取在所述参考时间之前产生的第一预设时间段内的且与所述第一异常数据属于同一维度的运行数据，以得到第一检测数据；

第二数据选取单元，用于从所述目标数据中获取在所述参考时间之后产生的第二预设时间段内的且与所述第一异常数据属于同一维度的运行数据，以得到第二检测数据；

数据构建单元，用于根据所述第一检测数据、所述第一异常数据和所述第二检测数据产生所述时间序列数据。

结合第二方面和上述实现方式，在某些可能的实现方式中，所述差异确定模块具体用于：确定所述第一异常数据携带的产生时间与所述第二异常数据携带的产生时间之间的差值；将所述差值确定为所述时间差异。

结合第二方面和上述实现方式，在某些可能的实现方式中，所述事故判断模块具体用于：在所述时间差异为所述差值的情况下，判断所述差值是否小于或者等于预设差值；若是，判定所述目标车辆发生事故；若否，判定所述目标车辆未发生事故。

结合第二方面和上述实现方式，在某些可能的实现方式中，所述事故检测装置还包括：

提示单元，用于在判定所述目标车辆发生事故的情况下，获取所述第一异常数据携带的产生时间至所述第二异常数据携带的产生时间内所采集的行车记录视频；根据所述第一异常数据、所述第二异常数据和所述行车记录视频确定事故类型；输出关于所述事故类型的提示信息。

结合第二方面和上述实现方式，在某些可能的实现方式中，所述异常识别模块还包括：

异常数据识别单元，用于将所述目标数据中的每个运行数据输入所述孤立森林模型，得到每个运行数据在所述孤立森林模型中的路径长度；根据每个运行数据在所述孤立森林模型中的路径长度，确定所述目标数据中的每个运行数据的异常得分；根据所述异常得分，从所述目标数据中确定出满足异常条件的运行数据，得到所述第一异常数据。

结合第二方面和上述实现方式，在某些可能的实现方式中，所述事故检测装置还包括：

模型训练单元，用于获取多个样本车辆各自对应的样本数据集；其中，对于所述多个样本车辆中的每个样本车辆，所述样本车辆对应的样本数据集包括所述样本车辆在不同时间下运行所产生的多个维度的样本运行数据，每个样本运行数据具有标注信息，所述标注信息用于表示样本运行数据的数据类别为正常类别或异常类别；采用所述孤立森林模型对所述样本车辆对应的样本数据集中的异常数据进行识别，得到所述第一识别结果，所述第一识别结果包括第三异常数据和所述第三异常数据的第一数据类别，所述第一数据类别为异常类别；从所述样本车辆对应的样本数据集中获取与所述第三异常数据属于同一维度的样本运行数据，以得到与所述第三异常数据属于同一维度的且包含所述第三异常数据的样本时间序列数据；采用所述时间序列模型对所述样本时间序列数据中的异常数据进行识别，得到所述第二识别结果，所述第二识别结果包括第四异常数据和所述第四异常数据的第二数据类别，所述第二数据类别为异常类别；根据所述第一数据类别与所述第三异常数据的标注信息之间的第一差异信息，以及根据所述第二数据类别与所述第四异常数据的标注信息之间的第二差异信息，训练所述事故检测模型。

第三方面，提供一种电子设备，包括存储器和处理器。该存储器用于存储可执行程序代码，该处理器用于从存储器中调用并运行该可执行程序代码，使得该电子设备执行上述第一方面或第一方面任意一种可能的实现方式中的事故检测方法。

第四方面，提供了一种计算机程序产品，该计算机程序产品包括：计算机程序代码，当该计算机程序代码在计算机上运行时，使得该计算机执行上述第一方面或第一方面任意一种可能的实现方式中的事故检测方法。

第五方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序代码，当该计算机程序代码在计算机上运行时，使得该计算机执行上述第一方面或第一方面任意一种可能的实现方式中的事故检测方法。

附图说明

图1示出了本申请实施例提供的一种事故检测方法的示意性流程图；

图2示出了事故检测模型的结构示意图；

图3示出了事故检测模型的异常数据识别流程示意图；

图4示出了本申请实施例提供的一种事故检测装置的结构示意图；

图5示出了本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合附图，对本申请中的技术方案进行清楚、详尽地描述。其中，在本申请实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B：文本中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，另外，在本申请实施例的描述中，“多个”是指两个或多于两个。

以下，术语“第一”、“第二”仅用于描述目的，而不能理解为暗示或暗示相对重要性或隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者多个该特征。

以下为本申请实施例提供的一种事故检测方法的一实施例。

图1示出了本申请实施例提供的一种事故检测方法的示意性流程图，如图1所示，本申请实施例提供的事故检测方法应用于电子设备，电子设备例如为电脑，所述事故检测方法包括以下方案：

S110：将目标车辆运行期间所产生的目标数据输入预先训练的事故检测模型。

在一示例性实施例中，目标车辆为需要进行事故检测的车辆，选定目标车辆以往的不同运行时间段，从车联网数据中获取目标车辆运行期间所产生的目标数据，车联网数据包括车速、转向数据、刹车数据、油耗数据、发动机温度数据、轮胎压力数据等运行数据，目标数据包括多个维度的运行数据，多个维度包括时间特征维度、统计特征维度、操作特征维度、传感器特征维度、时序特征维度、空间特征维度、频域特征维度、组合特征维度等。

1、时间特征维度，包括：

小时、分钟、秒数等时间单位，用于捕捉不同时间段的行为模式；

星期几、是否工作日等，用于反映周边环境的影响。

2、统计特征维度，包括：

平均值、标准差、最大值、最小值等，用于描述数据分布的统计特征，统计特征可以揭示数据的趋势、离散度和异常情况。

3、操作特征，包括：操作次数、操作时长、操作频率等；例如，刹车次数、加速次数、转向次数等，操作特征可以揭示车辆的行为模式和驾驶习惯。

4、传感器特征维度，包括：从传感器数据中提取的特征，如加速度、速度、转向角度等，这些特征可以帮助捕捉车辆的动态行为和变化。

5、时序特征维度，包括：基于历史数据的滑动窗口特征，如过去几小时内的平均速度、加速度等，时序特征可以捕捉数据的趋势和周期性。

6、空间特征维度，包括：车辆位置、经纬度等地理信息，空间特征可以分析车辆在不同地点的行为差异。

7、频域特征维度，包括：频率特征，使用傅里叶变换等方法将时域数据转换为频域数据，提取频率特征，频域特征可以捕捉数据的周期性和震荡情况。

8、组合特征维度，包括：不同特征之间的组合，如速度与加速度的乘积，组合特征可以帮助模型更好地理解数据的多维关系。

如图2所示，图2示出了事故检测模型的结构示意图，事故检测模型包括孤立森林模型(Isolation Forest)100和时间序列模型200，孤立森林模型100的输出层与时间序列模型200的输入层连接，时间序列模型200为Holt-Winters模型。

S120：采用所述孤立森林模型对所述目标数据中的异常数据进行识别，得到第一异常数据。

目标数据输入事故检测模型之后，目标数据作为孤立森林模型的输入数据，孤立森林模型对目标数据中的异常数据进行识别，输出识别到的目标数据中的异常数据，称为第一异常数据。

S130：从所述目标数据中获取与所述第一异常数据属于同一维度的运行数据，以得到与所述第一异常数据属于同一维度的且包含所述第一异常数据的时间序列数据。

得到第一异常数据之后，从目标数据中获取与第一异常数据属于同一维度的运行数据，从而通过第一异常数据和目标数据中与第一异常数据属于同一维度的运行数据构建时间序列数据。例如，第一异常数据的维度为操作特征维度，那么，从目标数据中除了第一异常数据以外的操作特征维度的运行数据，然后通过目标数据中除了第一异常数据以外的操作特征维度的运行数据和第一异常数据构建时间序列数据。

S140：采用所述时间序列模型对所述时间序列数据中的异常数据进行识别，得到第二异常数据。

构建得到时间序列数据之后，将时间序列数据作为时间序列模型的输入数据，时间序列模型对时间序列数据中的异常数据进行识别，输出识别到的时间序列数据中的异常数据，称为第二异常数据。

S150：确定所述目标车辆运行期间产生所述第一异常数据与产生所述第二异常数据的时间差异。

S160：根据所述时间差异判断所述目标车辆是否发生事故。

得到第一异常数据和第二异常数据之后，计算目标车辆运行期间产生第一异常数据与产生第二异常数据的时间差异，通过时间差异表示第一异常数据和第二异常数据生成的时间间隔的长短，如果时间差异较大，表示第一异常数据和第二异常数据生成的时间间隔较长，则可以认为目标车辆没有发生事故，如果时间差异较小，表示第一异常数据和第二异常数据生成的时间间隔较短，则可以认为目标车辆发生事故。

本申请实施例通过采用将目标车辆运行期间所产生的目标数据输入预先训练的事故检测模型，目标数据包括多个维度的运行数据，事故检测模型包括孤立森林模型和时间序列模型，采用孤立森林模型对目标数据中的异常数据进行识别，得到第一异常数据，从目标数据中获取与第一异常数据属于同一维度的运行数据，以得到与第一异常数据属于同一维度的且包含第一异常数据的时间序列数据，采用时间序列模型对时间序列数据中的异常数据进行识别，得到第二异常数据，确定目标车辆运行期间产生第一异常数据与产生第二异常数据的时间差异，根据时间差异判断目标车辆是否发生事故的技术方案，能够通过由孤立森林模型和时间序列模型融合得到的事故检测模型从车辆以往的运行数据中识别异常数据，并通过异常数据判断车辆是否发生事故。由于事故检测模型通过孤立森林模型和时间序列模型融合得到，事故检测模型综合了孤立森林模型和时间序列模型的优点，能够提高异常数据识别的准确性和可信度。当通过异常数据判断车辆发生事故之后，可以让用户及时知晓车辆已经发生事故，避免用户在不知情车辆已经发生事故的情况继续用车，从而危及人身安全的情况发生。本申请实施例提供的事故检测模型和事故检测方法，可以配置于车辆的售后部门的检修系统中，一方面，可以帮助车辆用户及时发现车辆存在的安全隐患，保障客户的用车安全，另一方面，可以为商家增加收益，从而增加客户量，避免客户流失。

以下对图1所示实施例中的各个步骤的具体实施方式进行说明：

一种可能的实现方式中，所述目标数据中的每个运行数据携带有数据的产生时间，上述从所述目标数据中获取与所述第一异常数据属于同一维度的运行数据，以得到与所述第一异常数据属于同一维度的且包含所述第一异常数据的时间序列数据包括以下方案：

将所述第一异常数据携带的产生时间作为参考时间；

从所述目标数据中获取在所述参考时间之前产生的第一预设时间段内的且与所述第一异常数据属于同一维度的运行数据，以得到第一检测数据；

从所述目标数据中获取在所述参考时间之后产生的第二预设时间段内的且与所述第一异常数据属于同一维度的运行数据，以得到第二检测数据；

根据所述第一检测数据、所述第一异常数据和所述第二检测数据产生所述时间序列数据。

第一预设时间段的时长与第二预设时间段的时长可以相同，也可以不相同。例如，第一异常数据携带的产生时间为2021年10月1日12时10分10秒，第一预设时间段的时长是24小时，第二预设时间段的时长也是24小时，则2021年10月1日12时10分10秒为参考时间，从目标数据中获取2021年9月30日12时10分10秒至2021年10月1日12时10分10秒之间的与第一异常数据属于同一维度的运行数据，以得到第一检测数据；从目标数据中获取2021年10月1日12时10分10秒至10月2日12时10分10秒之间的与第一异常数据属于同一维度的运行数据，以得到第二检测数据，然后通过第一检测数据、第一异常数据和第二检测数据构建时间序列数据。

一种可能的实现方式中，上述确定所述目标车辆运行期间产生所述第一异常数据与产生所述第二异常数据的时间差异包括以下方案：

确定所述第一异常数据携带的产生时间与所述第二异常数据携带的产生时间之间的差值；

将所述差值确定为所述时间差异。

得到第一异常数据和第二异常数据之后，计算第一异常数据携带的产生时间与第二异常数据携带的产生时间之间的差值，即产生第一异常数据与产生第二异常数据携带的时间间隔，将计算得到的差值确定为时间差异。

一种可能的实现方式中，上述根据所述时间差异判断所述目标车辆是否发生事故包括以下方案：

在所述时间差异为所述差值的情况下，判断所述差值是否小于或者等于预设差值；

若是，判定所述目标车辆发生事故；

若否，判定所述目标车辆未发生事故。

得到差值之后，判断差值与预设差值的大小关系，如果差值小于或者等于预设差值，表示第一异常数据和第二异常数据生成的时间间隔较短，如果差值为0，表示第一异常数据和第二异常数据是同一数据，则判定目标车辆发生事故。如果差值大于预设差值，表示第一异常数据和第二异常数据生成的时间间隔较长，则判定目标车辆没有发生事故。

一种可能的实现方式中，所述根据所述时间差异判断所述目标车辆是否发生事故之后，所述事故检测方法还包括：

在判定所述目标车辆发生事故的情况下，获取所述第一异常数据携带的产生时间至所述第二异常数据携带的产生时间内所采集的行车记录视频；

根据所述第一异常数据、所述第二异常数据和所述行车记录视频确定事故类型；

输出关于所述事故类型的提示信息。

在判定目标车辆发生事故的情况下，例如，第一异常数据携带的产生时间为2021年10月1日12时10分10秒，第二异常数据携带的产生时间为2021年10月2日12时10分10秒，则获取2021年10月1日12时10分10秒至2021年10月2日12时10分10秒之间的行车记录视频；如果第一异常数据和第二异常数据均为异常的油耗数据，表示车辆的油耗高于正常运行的最高油耗，而导致判定车辆已经发生了事故，进而通过获取的行车记录视频分析用户在用车期间轮胎出现问题的原因，例如行车记录视频采集到了2021年10月1日16时30分20秒至40分00秒期间，车辆驶过了凹凸不平的路面，且还有伴随有车辆的地盘剐蹭地面的声音，结合第一异常数据和第二异常数据均为异常的油耗数据，可以认定是车辆的油箱漏了，从而确定车辆的事故类型是油箱损伤，确定出车辆的事故类型之后，输出事故类型的提示信息，以及时告知用户，以便用户及时对车辆维修，避免用户在不知情车辆已经发生事故的情况继续用车，从而危及人身安全的情况发生。

一种可能的实现方式中，上述采用所述孤立森林模型对所述目标数据中的异常数据进行识别，得到第一异常数据包括以下方案：

将所述目标数据中的每个运行数据输入所述孤立森林模型，得到每个运行数据在所述孤立森林模型中的路径长度；

根据每个运行数据在所述孤立森林模型中的路径长度，确定所述目标数据中的每个运行数据的异常得分；

根据所述异常得分，从所述目标数据中确定出满足异常条件的运行数据，得到所述第一异常数据。

孤立森林模型包括多棵孤立树(也称为二叉搜索树)，让目标数据中的每个运行数据遍历孤立森林模型中的每棵孤立树，从而得的每个运行数据对应于每棵孤立树的路径长度，由于存在多棵孤立树，即可以得的每个运行数据对应于多棵孤立树的路径长度，对每个运行数据对应的多个路径长度，计算多个路径长度的平均值，通过平均值计算出每个运行数据的异常得分，然后根据每个运行数据的异常得分从目标数据中确定出满足异常条件的运行数据，得到第一异常数据。其中，异常条件包括异常得分小于预设得分阈值。

一种可能的实现方式中，上述事故检测方法还包括以下方案：

获取多个样本车辆各自对应的样本数据集；

采用所述孤立森林模型对所述样本车辆对应的样本数据集中的异常数据进行识别，得到所述第一识别结果，所述第一识别结果包括第三异常数据和所述第三异常数据的第一数据类别，所述第一数据类别为异常类别；

从所述样本车辆对应的样本数据集中获取与所述第三异常数据属于同一维度的样本运行数据，以得到与所述第三异常数据属于同一维度的且包含所述第三异常数据的样本时间序列数据；

采用所述时间序列模型对所述样本时间序列数据中的异常数据进行识别，得到所述第二识别结果，所述第二识别结果包括第四异常数据和所述第四异常数据的第二数据类别，所述第二数据类别为异常类别；

根据所述第一数据类别与所述第三异常数据的标注信息之间的第一差异信息，以及根据所述第二数据类别与所述第四异常数据的标注信息之间的第二差异信息，训练所述事故检测模型。

图3示出了事故检测模型的异常数据识别流程示意图，如图3所示，事故检测模型的训练过程如下：

事先对多个样本车辆各自对应的车联网数据进行预处理，得的多个样本车辆各自对应的预处理数据，样本车辆与上述的目标车辆不为同一辆车，样本车辆对应的车联网数据包括车速、转向数据、刹车数据、油耗数据、发动机温度数据、轮胎压力数据等运行数据。

预处理包括：

1、数据清洗，清洗数据以去除噪声、异常值和重复项。例如，可能会存在数据误差、丢失数据、异常操作等情况，需要识别并处理这些问题。

2、处理缺失值，分析数据中的缺失值情况，可以使用插值方法、填充均值或使用其他时间点的数据进行填充，确保数据连续性和准确性。

3、数据格式转换，将原始数据转换为适合分析的格式，确保数据时间戳正确，并按照时间顺序排列；可以将数据转换为数据帧或其他适合分析的数据结构。

4、归一化和标准化，对特征进行归一化或标准化，以确保不同特征的数值范围一致，有助于模型收敛和性能提升。

5、数据可视化，使用数据可视化工具来探索数据的分布、趋势和关系，可视化有助于理解数据的特点，发现异常和模式。

6、数据验证和检查，确保经过预处理的数据没有错误，符合业务逻辑，可用于模型构建和分析。

得到多个样本车辆各自对应的预处理数据之后，对每个样本车辆对应的预处理数据中的运行数据进行标注，对事故发生时的运行数据或出现不正常的操作行为的运行数据的数据类别标注为异常类别，对于不是异常类别的运行数据数据类别标注为正常类别；对标注后的每个样本车辆对应的预处理数据按照上述的多个维度进行划分，得的每个样本车辆对应的样本数据集。对于多个样本车辆中的每个样本车辆，样本车辆对应的样本数据集包括样本车辆在不同时间下运行所产生的多个维度的样本运行数据，每个样本运行数据具有标注信息，标注信息用于表示样本运行数据的数据类别为正常类别或异常类别。

对于每个样本车辆对应的样本数据集，将样本数据集切分为训练集、验证集和测试集；训练集用于模型训练，验证集用于调整模型参数，测试集用于模型评估，从而确保数据在时间上的顺序性。

进行样本数据集切分之后，对于每个样本车辆的训练集，将训练集(第一输入)输入孤立森林模型，孤立森林模型对训练集中的异常数据进行识别，得到第一识别结果，第一识别结果包括第三异常数据和第三异常数据的第一数据类别，第一数据类别为异常类别。

得到第一识别结果之后，从训练集中获取与第三异常数据属于同一维度的样本运行数据，根据第三异常数据和训练集中与第三异常数据属于同一维度的样本运行数据生成样本时间序列数据。

得到样本时间序列数据之后，将样本时间序列数据(第二输入)输入时间序列模型，时间序列模型对样本时间序列数据中的异常数据进行识别，得到第二识别结果，第二识别结果包括第四异常数据和第四异常数据的第二数据类别，第二数据类别为异常类别。

得的第二识别结果之后，通过损失函数计算第一数据类别与第三异常数据的标注信息之间的第一差值，以及计算第二数据类别与所述第四异常数据的标注信息之间的第二差值，第一差值表示第一差异信息，第二差值表示第二差异信息。判断第一差值是否小于或者等于第一差值阈值以及第二差值是否小于或者等于第二差值阈值，如果第一差值是大于第一差值阈值以及第二差值大于第二差值阈值，则继续对事故检测模型进行迭代训练，直至第一差值是小于或者等于第一差值阈值以及第二差值小于或者等于第二差值阈值时，停止事故检测模型的训练，即事故检测模型训练完成。在事故检测模型训练完成之后，通过验证集调整事故检测模型的模型参数，通过测试集进行事故检测模型进行评估，在评估结果满足期望的情况下，保存事故检测模型，即事故检测模型的整个训练过程完成，事故检测模型可以投入实际应用。

由于事故检测模型是将Holt-Winters模型和Isolation Forest模型相融合得到的，事故检测模型兼备了Holt-Winters模型和Isolation Forest模型的优点，即事故检测模型的优点包括：

1、能够综合利用时序和孤立性信息：Holt-Winters模型适用于捕捉时间序列数据的趋势和季节性，而Isolation Forest模型适用于检测数据的孤立异常；通过将这两种模型相融合，事故检测模型可以综合利用时间序列和孤立性信息，更全面地进行识别数据异常。

2、能够多角度识别异常数据：通过Holt-Winters模型和Isolation Forest模型分别从不同的角度识别异常数据，Holt-Winters模型关注数据的时间趋势和周期性，Isolation Forest模型关注数据的相对孤立性，将这两种模型相结合，可以更准确地捕捉异常数据。

3、提高了异常数据识别的准确性：Holt-Winters模型和Isolation Forest模型分别在不同领域内都有较好的异常检测能力，这两种模型相结合后，可以通过综合考虑两者的输出，提高异常数据检测的准确性和可信度。

4、能够降低异常数据检测的误报率：单独使用Holt-Winters模型和IsolationForest模型中的任一模型可能会产生误报，将两个模型的输出相结合，可以降低异常数据检测的误报率。本申请中Holt-Winters模型和Isolation Forest模型各自输出的异常数据均是同一个维度，区别在于异常数据的生成时间可能不相同，也有可能Holt-Winters模型和Isolation Forest模型各自输出的异常数据的生成时间也是相同的。

5、适应于多样性数据：Holt-Winters模型和Isolation Forest模型可以适用于不同类型的数据，包括时间序列数据和多维特征数据，相融合的方法可以适应多样性的车辆数据特点。

事故检测模型可以应用于车辆运行数据中异常数据的识别，从而基于识别到的异常数据判断车辆是否发生事故识别。由故预测模型兼备了Holt-Winters模型和IsolationForest模型的优点，通过故预测模型进行异常数据识别，能够提高异常数据检测的准确性和鲁棒性。

下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。

图4示出了本申请实施例提供的一种事故检测装置的结构示意图。示例性的，如图4所示，所述事故检测装置400包括：

异常识别模块410，用于将目标车辆运行期间所产生的目标数据输入预先训练的事故检测模型；其中，所述目标数据包括多个维度的运行数据，所述事故检测模型包括孤立森林模型和时间序列模型，所述孤立森林模型的输出层与所述时间序列模型的输入层连接；采用所述孤立森林模型对所述目标数据中的异常数据进行识别，得到第一异常数据；从所述目标数据中获取与所述第一异常数据属于同一维度的运行数据，以得到与所述第一异常数据属于同一维度的且包含所述第一异常数据的时间序列数据；采用所述时间序列模型对所述时间序列数据中的异常数据进行识别，得到第二异常数据；

差异确定模块420，用于确定所述目标车辆运行期间产生所述第一异常数据与产生所述第二异常数据的时间差异；

事故判断模块430，用于根据所述时间差异判断所述目标车辆是否发生事故。

一种可能的实现方式中，所述目标数据中的每个运行数据携带有数据的产生时间，所述异常识别模块410包括：

第一数据选取单元，用于所述第一异常数据携带的产生时间作为参考时间；从所述目标数据中获取在所述参考时间之前产生的第一预设时间段内的且与所述第一异常数据属于同一维度的运行数据，以得到第一检测数据；

第二数据选取单元，用于从所述目标数据中获取在所述参考时间之后产生的第二预设时间段内的且与所述第一异常数据属于同一维度的运行数据，以得到第二检测数据；

数据构建单元，用于根据所述第一检测数据、所述第一异常数据和所述第二检测数据产生所述时间序列数据。

一种可能的实现方式中，所述差异确定模块420具体用于：确定所述第一异常数据携带的产生时间与所述第二异常数据携带的产生时间之间的差值；将所述差值确定为所述时间差异。

一种可能的实现方式中，所述事故判断模块430具体用于：在所述时间差异为所述差值的情况下，判断所述差值是否小于或者等于预设差值；若是，判定所述目标车辆发生事故；若否，判定所述目标车辆未发生事故。

一种可能的实现方式中，所述事故检测装置400还包括：

提示单元，用于在判定所述目标车辆发生事故的情况下，获取所述第一异常数据携带的产生时间至所述第二异常数据携带的产生时间内所采集的行车记录视频；根据所述第一异常数据、所述第二异常数据和所述行车记录视频确定事故类型；输出关于所述事故类型的提示信息。

一种可能的实现方式中，所述异常识别模块410还包括：

异常数据识别单元，用于将所述目标数据中的每个运行数据输入所述孤立森林模型，得到每个运行数据在所述孤立森林模型中的路径长度；根据每个运行数据在所述孤立森林模型中的路径长度，确定所述目标数据中的每个运行数据的异常得分；根据所述异常得分，从所述目标数据中确定出满足异常条件的运行数据，得到所述第一异常数据。

一种可能的实现方式中，所述事故检测装置400还包括：

模型训练单元，用于获取多个样本车辆各自对应的样本数据集；其中，对于所述多个样本车辆中的每个样本车辆，所述样本车辆对应的样本数据集包括所述样本车辆在不同时间下运行所产生的多个维度的样本运行数据，每个样本运行数据具有标注信息，所述标注信息用于表示样本运行数据的数据类别为正常类别或异常类别；采用所述孤立森林模型对所述样本车辆对应的样本数据集中的异常数据进行识别，得到所述第一识别结果，所述第一识别结果包括第三异常数据和所述第三异常数据的第一数据类别，所述第一数据类别为异常类别；从所述样本车辆对应的样本数据集中获取与所述第三异常数据属于同一维度的样本运行数据，以得到与所述第三异常数据属于同一维度的且包含所述第三异常数据的样本时间序列数据；采用所述时间序列模型对所述样本时间序列数据中的异常数据进行识别，得到所述第二识别结果，所述第二识别结果包括第四异常数据和所述第四异常数据的第二数据类别，所述第二数据类别为异常类别；根据所述第一数据类别与所述第三异常数据的标注信息之间的第一差异信息，以及根据所述第二数据类别与所述第四异常数据的标注信息之间的第二差异信息，训练所述事故检测模型。

需要说明的是，上述实施例提供的事故检测装置在执行事故检测方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的事故检测装置与事故检测方法实施例属于同一构思，因此对于本申请装置实施例中未披露的细节，请参照本申请上述的事故检测方法的实施例，这里不再赘述。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

图5示出了本申请实施例提供的一种电子设备的结构示意图。

示例性的，如图5所示，该电子设备500包括：存储器501和处理器502，其中，存储器501中存储有可执行程序代码5011，处理器502用于调用并执行该可执行程序代码5011执行一种事故检测方法。

本实施例可以根据上述方法示例对电子设备进行功能模块的划分，例如，可以对应各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中，上述集成的模块可以采用硬件的形式实现。需要说明的是，本实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

在采用对应各个功能划分各个功能模块的情况下，该电子设备可以包括：异常识别模块、差异确定模块、事故判断模块等。需要说明的是，上述方法实施例涉及的各个步骤的所有相关内容的可以援引到对应功能模块的功能描述，在此不再赘述。

本实施例提供的电子设备，用于执行上述一种事故检测方法，因此可以达到与上述实现方法相同的效果。

在采用集成的单元的情况下，电子设备可以包括处理模块、存储模块。其中，处理模块可以用于对电子设备的动作进行控制管理。存储模块可以用于支持电子设备执行相互程序代码和数据等。

其中，处理模块可以是处理器或控制器，其可以实现或执行结合本申请公开内容所藐视的各种示例性的逻辑方框，模块和电路。处理器也可以是实现计算功能的组合，例如包括一个或多个微处理器组合，数字信号处理(digital signal processing，DSP)和微处理器的组合等等，存储模块可以是存储器。

本实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序代码，当该计算机程序代码在计算机上运行时，使得计算机执行上述相关方法步骤实现上述实施例中的一种事故检测方法。

本实施例还提供了一种计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行上述相关步骤，以实现上述实施例中的一种事故检测方法。

另外，本申请的实施例提供的电子设备具体可以是芯片，组件或模块，该电子设备可包括相连的处理器和存储器；其中，存储器用于存储指令，当电子设备运行时，处理器可调用并执行指令，以使芯片执行上述实施例中的一种事故检测方法。

其中，本实施例提供的电子设备、计算机可读存储介质、计算机程序产品或芯片均用于执行上文所提供的对应的事故检测方法，因此，其所能达到的有益效果可参考上文所提供的对应的事故检测方法中的有益效果，此处不再赘述。

通过以上实施方式的描述，所属领域的技术人员可以了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

以上内容，仅为本申请的具体实施方式，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揭露的技术范围内，可轻易想到变化或替换，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 (10)

1.一种事故检测方法，其特征在于，所述事故检测方法包括：

将目标车辆运行期间所产生的目标数据输入预先训练的事故检测模型；其中，所述目标数据包括多个维度的运行数据，所述事故检测模型包括孤立森林模型和时间序列模型，所述孤立森林模型的输出层与所述时间序列模型的输入层连接；

采用所述孤立森林模型对所述目标数据中的异常数据进行识别，得到第一异常数据；

从所述目标数据中获取与所述第一异常数据属于同一维度的运行数据，以得到与所述第一异常数据属于同一维度的且包含所述第一异常数据的时间序列数据；

采用所述时间序列模型对所述时间序列数据中的异常数据进行识别，得到第二异常数据；

确定所述目标车辆运行期间产生所述第一异常数据与产生所述第二异常数据的时间差异；

根据所述时间差异判断所述目标车辆是否发生事故。

2.根据权利要求1所述的事故检测方法，其特征在于，所述目标数据中的每个运行数据携带有数据的产生时间；

所述从所述目标数据中获取与所述第一异常数据属于同一维度的运行数据，以得到与所述第一异常数据属于同一维度的且包含所述第一异常数据的时间序列数据包括：

将所述第一异常数据携带的产生时间作为参考时间；

从所述目标数据中获取在所述参考时间之前产生的第一预设时间段内的且与所述第一异常数据属于同一维度的运行数据，以得到第一检测数据；

从所述目标数据中获取在所述参考时间之后产生的第二预设时间段内的且与所述第一异常数据属于同一维度的运行数据，以得到第二检测数据；

根据所述第一检测数据、所述第一异常数据和所述第二检测数据产生所述时间序列数据。

3.根据权利要求2所述的事故检测方法，其特征在于，所述确定所述目标车辆运行期间产生所述第一异常数据与产生所述第二异常数据的时间差异包括：

确定所述第一异常数据携带的产生时间与所述第二异常数据携带的产生时间之间的差值；

将所述差值确定为所述时间差异。

4.根据权利要求3所述的事故检测方法，其特征在于，所述根据所述时间差异判断所述目标车辆是否发生事故包括：

在所述时间差异为所述差值的情况下，判断所述差值是否小于或者等于预设差值；

若是，判定所述目标车辆发生事故；

若否，判定所述目标车辆未发生事故。

5.根据权利要求4所述的事故检测方法，其特征在于，所述根据所述时间差异判断所述目标车辆是否发生事故之后，所述事故检测方法还包括：

在判定所述目标车辆发生事故的情况下，获取所述第一异常数据携带的产生时间至所述第二异常数据携带的产生时间内所采集的行车记录视频；

根据所述第一异常数据、所述第二异常数据和所述行车记录视频确定事故类型；

输出关于所述事故类型的提示信息。

6.根据权利要求1所述的事故检测方法，其特征在于，所述采用所述孤立森林模型对所述目标数据中的异常数据进行识别，得到第一异常数据包括：

将所述目标数据中的每个运行数据输入所述孤立森林模型，得到每个运行数据在所述孤立森林模型中的路径长度；

根据每个运行数据在所述孤立森林模型中的路径长度，确定所述目标数据中的每个运行数据的异常得分；

根据所述异常得分，从所述目标数据中确定出满足异常条件的运行数据，得到所述第一异常数据。

7.根据权利要求1至6任意一项所述的事故检测方法，其特征在于，所述事故检测方法还包括：

获取多个样本车辆各自对应的样本数据集；其中，对于所述多个样本车辆中的每个样本车辆，所述样本车辆对应的样本数据集包括所述样本车辆在不同时间下运行所产生的多个维度的样本运行数据，每个样本运行数据具有标注信息，所述标注信息用于表示样本运行数据的数据类别为正常类别或异常类别；

采用所述孤立森林模型对所述样本车辆对应的样本数据集中的异常数据进行识别，得到所述第一识别结果，所述第一识别结果包括第三异常数据和所述第三异常数据的第一数据类别，所述第一数据类别为异常类别；

从所述样本车辆对应的样本数据集中获取与所述第三异常数据属于同一维度的样本运行数据，以得到与所述第三异常数据属于同一维度的且包含所述第三异常数据的样本时间序列数据；

采用所述时间序列模型对所述样本时间序列数据中的异常数据进行识别，得到所述第二识别结果，所述第二识别结果包括第四异常数据和所述第四异常数据的第二数据类别，所述第二数据类别为异常类别；

根据所述第一数据类别与所述第三异常数据的标注信息之间的第一差异信息，以及根据所述第二数据类别与所述第四异常数据的标注信息之间的第二差异信息，训练所述事故检测模型。

8.一种事故检测装置，其特征在于，所述事故检测装置包括：

异常识别模块，用于将目标车辆运行期间所产生的目标数据输入预先训练的事故检测模型；其中，所述目标数据包括多个维度的运行数据，所述事故检测模型包括孤立森林模型和时间序列模型，所述孤立森林模型的输出层与所述时间序列模型的输入层连接；采用所述孤立森林模型对所述目标数据中的异常数据进行识别，得到第一异常数据；从所述目标数据中获取与所述第一异常数据属于同一维度的运行数据，以得到与所述第一异常数据属于同一维度的且包含所述第一异常数据的时间序列数据；采用所述时间序列模型对所述时间序列数据中的异常数据进行识别，得到第二异常数据；

差异确定模块，用于确定所述目标车辆运行期间产生所述第一异常数据与产生所述第二异常数据的时间差异；

事故判断模块，用于根据所述时间差异判断所述目标车辆是否发生事故。

9.一种电子设备，其特征在于，所述电子设备包括：

存储器，用于存储可执行程序代码；

处理器，用于从所述存储器中调用并运行所述可执行程序代码，使得所述车辆执行如权利要求1至7中任意一项所述的事故检测方法。

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计算机程序，当所述计算机程序被执行时，实现如权利要求1至7中任意一项所述的事故检测方法。