交通事故识别预测方法、设备及计算机可读存储介质与流程

1.本发明涉及智能驾驶技术领域，尤其涉及一种交通事故识别预测方法、设备及计算机可读存储介质。


背景技术：

2.在车联网与人工智能技术的支持下，现有的智能驾驶技术已经可以实现辅助驾驶员安全行驶，甚至是实现无驾驶员情况下的自动驾驶。该技术能够帮助避免醉驾、疲劳驾驶等安全隐患，对于减少驾驶员失误，提升安全性也能起到重要意义。
3.在智能驾驶技术中，对交通事故的识别和预测是其所必备的功能。为了对交通事故的进行识别与预测，现有技术提出了不同的解决方案，如基于高清地图或高清摄像头或毫米波雷达的车辆轨迹预测、交通状况预测、碰撞预测技术等，虽然这些技术对交通事故的识别与预测做出了改进，但大都是简单的通过车辆与目标物之间的距离作为预测评判标准，能识别和预测的场景较少，而往往实际道路交通情况具有极强的复杂性与不确定性，因此，现有的智能驾驶技术在对交通事故进行识别和预测时，仍然存在准确度较低的问题。


技术实现要素：

4.本发明的主要目的在于提供一种交通事故识别预测方法、设备及计算机可读存储介质，旨在解决现有的智能驾驶技术在对交通事故进行识别预测时，准确度较低的问题。
5.为实现上述目的本发明提供一种交通事故识别预测方法，所述交通事故识别预测方法应用于车辆，所述交通事故识别预测方法包括以下步骤：
6.判断虚拟驾驶员的驾驶行为和/或人类驾驶员的驾驶行为是否达到预设条件；
7.若是，则将预设的目标数据回传至所述车辆关联的后台服务器；
8.获取所述后台服务器传递的软件升级包，其中，所述软件升级包由所述后台服务器根据所述目标数据进行训练得到的算法进行集成；
9.根据所述软件升级包进行升级以进行交通事故的识别预测。
10.可选地，所述判断虚拟驾驶员的驾驶行为是否达到预设条件的步骤，包括：
11.获取所述虚拟驾驶员的驾驶行为所生成的第一行为信息，判断所述第一行为信息是否达到第一预设条件；
12.若所述第一行为信息达到第一预设条件，则判定所述虚拟驾驶员的驾驶行为达到预设条件。
13.可选地，所述判断人类驾驶员的驾驶行为是否达到预设条件的步骤，包括：
14.获取所述人类驾驶员的驾驶行为所生成的第二行为信息，判断所述第二行为信息是否达到第二预设条件；
15.若所述第二行为信息达到第二预设条件，则判定所述人类驾驶员的驾驶行为达到预设条件。
16.可选地，所述判断虚拟驾驶员的驾驶行为和人类驾驶员的驾驶行为是否达到预设
条件的步骤，包括：
17.获取所述虚拟驾驶员的驾驶行为与所述人类驾驶员的驾驶行为的行为差别信息，判断所述行为差别信息是否达到第三预设条件；
18.若所述行为差别信息达到第三预设条件，则判定所述虚拟驾驶员的驾驶行为和所述人类驾驶员的驾驶行为达到预设条件。
19.可选地，其特征在于，所述将预设的目标数据回传至所述车辆关联的后台服务器的步骤，包括：
20.确定所述虚拟驾驶员的驾驶行为和/或所述人类驾驶员的驾驶行为达到所述预设条件的时间点；
21.获取所述时间点前后预设时长内采集到的目标数据，并将所述目标数据回传至所述车辆关联的后台服务器。
22.可选地，所述将所述目标数据回传至所述车辆关联的后台服务器的步骤，包括：
23.根据所述预设条件的条件类型，对所述目标数据进行分类；
24.将所述分类后的目标数据回传至预设的数据存储中心，以供所述车辆关联的后台服务器从所述数据存储中心下载所述目标数据。
25.本发明还提供另一种交通事故识别预测方法，所述交通事故识别预测方法应用于车辆关联的后台服务器，所述交通事故识别预测方法包括：
26.获取所述车辆回传的目标数据，对所述目标数据进行清洗获得有效数据集；
27.根据所述有效数据集对交通事故识别预测算法进行训练得到训练后的算法；
28.根据所述训练后的算法集成得到软件升级包，将所述软件升级包传递至所述车辆。
29.可选地，所述对所述目标数据进行清洗获得有效数据集的步骤，包括：
30.获取所述目标数据的类型，根据所述目标数据的类型将所述目标数据分别放入第一数据集和第二数据集；
31.分别对第一数据集和第二数据集中的数据进行清洗以获得所述有效数据集。
32.此外，本发明还提供一种交通事故识别预测设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的交通事故识别预测程序，所述交通事故识别预测程序配置为实现如上述的交通事故识别预测方法的步骤。
33.此外，本发明还提供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上存储有交通事故识别预测程序，所述交通事故识别预测程序被处理器执行时实现如上述的交通事故识别预测方法的步骤。
34.本发明通过判断虚拟驾驶员的驾驶行为和/或人类驾驶员的驾驶行为是否达到预设条件；若是，则将预设的目标数据回传至所述车辆关联的后台服务器；获取所述后台服务器传递的软件升级包，其中，所述软件升级包由所述后台服务器根据所述埋点传数据进行训练得到的交通事故算法进行集成；根据所述软件升级包进行升级以进行交通事故的识别预测。
35.相比于现有基于条件规则进行交通事故预测的方式，本发明通过车辆虚拟驾驶员和/或人类驾驶员各自的驾驶行为进行数据回传埋点设计，从而回传目标数据至后台进行交通事故预测算法的训练，以针对车辆用于预测交通事故的算法进行升级，有效地改进了
车辆的交通事故识别预测算法的训练方式，解决了现有智能驾驶技术仍然存在对交通事故识别预测准确度较低的问题，实现了提升智能驾驶技术交通事故识别预测性能的技术效果。
附图说明
36.图1是本发明方案涉及的硬件运行环境交通事故识别预测设备的结构示意图；
37.图2是本发明一种交通事故识别预测方法一实施例的流程示意图；
38.图3为本发明另一种交通事故识别预测方法一实施例的流程示意图。
39.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
40.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
41.应当理解，尽管在本文可能采用术语第一、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，在不脱离本文范围的情况下，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”。本技术使用的术语“或”、“和/或”、“包括以下至少一个”等可被解释为包括性的，或意味着任一个或任何组合。
42.应该理解的是，虽然本技术实施例中的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
43.为了对发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式。
44.参照图1，图1为本发明实施例方案涉及的硬件运行交通事故识别预测设备的结构示意图。
45.本发明实施例的交通事故识别预测设备可以是具有车载智能驾驶系统的车辆，或者是用于算法训练的后台服务器。
46.如图1所示，该交通事故识别预测设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)存储器，也可以是稳定的非易失性存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
47.本领域技术人员可以理解，图1中示出的结构并不构成对交通事故识别预测设备
的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
48.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及交通事故识别预测程序。
49.在图1所示的交通事故识别预测设备中，网络接口1004主要用于与其他设备进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明交通事故识别预测设备中的处理器1001、存储器1005可以设置在交通事故识别预测设备中，交通事故识别预测设备通过处理器1001调用存储器1005中存储的交通事故识别预测程序，并执行以下操作：
50.判断虚拟驾驶员的驾驶行为和/或人类驾驶员的驾驶行为是否达到预设条件；
51.若是，则将预设的目标数据回传至所述车辆关联的后台服务器；
52.获取所述后台服务器传递的软件升级包，其中，所述软件升级包由所述后台服务器根据所述目标数据进行训练得到的算法进行集成；
53.根据所述软件升级包进行升级以进行交通事故的识别预测。
54.进一步地，处理器1001可以用于调用存储器1005中存储的交通事故识别预测程序，还执行以下操作：
55.获取所述虚拟驾驶员的驾驶行为所生成的第一行为信息，判断所述第一行为信息是否达到第一预设条件；
56.若所述第一行为信息达到第一预设条件，则判定所述虚拟驾驶员的驾驶行为达到预设条件。
57.进一步地，处理器1001可以用于调用存储器1005中存储的交通事故识别预测程序，还执行以下操作：
58.获取所述人类驾驶员的驾驶行为所生成的第二行为信息，判断所述第二行为信息是否达到第二预设条件；
59.若所述第二行为信息达到第二预设条件，则判定所述人类驾驶员的驾驶行为达到预设条件。
60.进一步地，处理器1001可以用于调用存储器1005中存储的交通事故识别预测程序，还执行以下操作：
61.获取所述虚拟驾驶员的驾驶行为与所述人类驾驶员的驾驶行为的行为差别信息，判断所述行为差别信息是否达到第三预设条件；
62.若所述行为差别信息达到第三预设条件，则判定所述虚拟驾驶员的驾驶行为和所述人类驾驶员的驾驶行为达到预设条件。
63.进一步地，处理器1001可以用于调用存储器1005中存储的交通事故识别预测程序，还执行以下操作：
64.确定所述虚拟驾驶员的驾驶行为和/或所述人类驾驶员的驾驶行为达到所述预设条件的时间点；
65.获取所述时间点前后预设时长内采集到的目标数据，并将所述目标数据回传至所述车辆关联的后台服务器。
66.进一步地，处理器1001可以用于调用存储器1005中存储的交通事故识别预测程序，还执行以下操作：
67.根据所述预设条件的条件类型，对所述目标数据进行分类；
68.将所述分类后的目标数据回传至预设的数据存储中心，以供所述车辆关联的后台服务器从所述数据存储中心下载所述目标数据。
69.此外，处理器1001可以用于调用存储器1005中存储的交通事故识别预测程序，还执行以下操作：
70.获取所述车辆回传的目标数据，对所述目标数据进行清洗获得有效数据集；
71.根据所述有效数据集对交通事故识别预测算法进行训练得到训练后的算法；
72.根据所述训练后的算法集成得到软件升级包，将所述软件升级包传递至所述车辆。
73.进一步地，处理器1001可以用于调用存储器1005中存储的交通事故识别预测程序，还执行以下操作：
74.获取所述目标数据的类型，根据所述目标数据的类型将所述目标数据分别放入第一数据集和第二数据集；
75.分别对第一数据集和第二数据集中的数据进行清洗以获得所述有效数据集。
76.随着新一代信息技术、人工智能技术的飞速发展，全球汽车产业也正处于深度变革中，智能驾驶技术利用先进的车载传感器、控制器、执行器等装置，融合人工智能、计算机视觉等技术，使得汽车具备复杂环境感知、智能决策、自主控制等功能，其最终目标是实现更以安全、高效的方式代替人类控制车辆。其中，能够通过算法识别复杂的交通环境信息，做出正确的决策，是其实现最终目标所必备的功能。但目前的智能驾驶技术对交通事故的识别预测算法，通常是基于条件规则的方法，其训练数据较难获取且训练样本数量也较少。因此，当面对复杂多变的实际道路交通情况时，现有的智能驾驶技术在进行交通事故的识别预测时，存在准确率不高的问题。
77.为了解决上述问题，本发明提供一种交通事故识别预测方法，应用于车辆，包括：判断虚拟驾驶员的驾驶行为和/或人类驾驶员的驾驶行为是否达到预设条件；若是，则将预设的目标数据回传至所述车辆关联的后台服务器；获取所述后台服务器传递的软件升级包，其中，所述软件升级包由所述后台服务器根据所述埋点传数据进行训练得到的交通事故算法进行集成；根据所述软件升级包进行升级以进行交通事故的识别预测。
78.这种方法通过车辆虚拟驾驶员和/或人类驾驶员各自的驾驶行为进行数据回传埋点设计，从而回传目标数据至后台进行交通事故预测算法的训练，以针对车辆用于预测交通事故的算法进行升级，有效地改进了车辆的交通事故识别预测算法的训练方式，能够获得更多更丰富的样本数据对算法进行训练，且获取样本数据的方式较为方便、低成本。从而解决了现有智能驾驶技术对交通事故识别预测准确度较低的问题，实现了提升智能驾驶技术交通事故识别预测性能的技术效果。
79.本发明实施例提供了一种交通事故识别预测方法，参照图2，图2为本发明的一种交通事故识别预测方法一实施例的流程示意图。
80.本实施例中，所述交通事故识别预测方法应用于车辆，所述交通事故识别预测方法包括：
81.步骤s10，判断虚拟驾驶员的驾驶行为和/或人类驾驶员的驾驶行为是否达到预设条件。
82.在本实施例中，执行主体是具备智能驾驶系统的车辆。虚拟驾驶员是区别于人类
驾驶员，用于交通事故识别预测功能开发的模型，其运行在具备影子模式功能的智能驾驶系统里，本质上是一段程序代码。其中，影子模式是指当人类驾驶员驾驶车辆时，虚拟驾驶员也在后台实时运行，但不发出控制指令，只是对智能驾驶系统与人类驾驶员对车辆的控制操作进行比较。
83.虚拟驾驶员的驾驶行为由虚拟驾驶员在人类驾驶员控制车辆行驶过程中，通过车辆上智能驾驶系统的环境感知传感器，实时观察周围交通环境，进行识别及预测周围车辆是否会发生碰撞等交通事故，并做相应的控车决策，例如加速、制动、转向等决策而产生。例如，其驾驶行为包括：预测外部交通事故发生；观察外部交通事故发生；产生对潜在或发生的交通事故做加速、制动和转向的决策意图；踩油门加速踏板、踩制动踏板和对方向盘转向的驾驶行为。
84.人类驾驶员的驾驶行为是指其在驾驶过程中，控制车辆加速、减速、制动、转向等行为。而预设条件是指，预设的回传数据的埋点条件，用于判断是否采集所需的数据并进行回传，也可以称为埋点条件。
85.需要说明的是，虚拟驾驶员在人类驾驶员没有打开自动驾驶功能时才会在后台运行，且虚拟驾驶员在后台运行时所作出的控车决策并不会直接控制车辆。
86.步骤s20，若是，则将预设的目标数据回传至所述车辆关联的后台服务器。
87.在本实施例中，预设的目标数据是指达到预设条件时所需要回传的数据，包括：车辆的环境感知装置所探测到的原始感知信号数据，例如视觉摄像头探测到的视频流、激光雷达探测到的点云、毫米波雷达探测到的能量图、超声波探测到的回波信号、红外探测到的成像图等，其中，环境感知装置可以是视觉摄像头、激光雷达、毫米波雷达、超声波、红外等；车辆运动状态信号数据，例如车速、加速度、角速度、轮速等；虚拟驾驶员及人类驾驶员操作车辆的信号数据，例如方向盘转角、力矩、加速油门踏板开度、减速制动踏板开度等。目标数据在回传至后台服务器后，后台服务器可以通过对目标数据进行清洗，最终获得用于算法训练的有效数据，即目标数据是后续用于算法训练的原始样本数据。
88.后台服务器是指进行算法训练，并可以向车辆下发由训练得到的算法所集成的软件升级包的服务器。其中，目标数据可以通过车辆的车载数据回传终端，例如4g或5g模块进行回传。车辆与后台服务器之间的关联关系为：车辆可以直接与该后台服务器进行连接，或者，该车辆还可以通过云端与该后台服务器进行通讯。
89.具体的，例如，通过车辆的车载数据回传终端，将预设的目标数据回传至所述车辆关联的后台服务器。其中，目标数据还可以是先通过车载数据回传终端传至云端或者是数据存储中心，再以供后台服务器获取。
90.步骤s30，获取所述后台服务器传递的软件升级包，其中，所述软件升级包由所述后台服务器根据所述目标数据进行训练得到的算法进行集成。
91.在本实施例中，软件升级包用于对车辆的智能驾驶系统进行升级，从而对智能驾驶系统的交通事故识别预测算法进行改进优化。软件升级包由后台服务器根据目标数据进行训练得到的算法集成得到。
92.步骤s40，根据所述软件升级包进行升级以进行交通事故的识别预测。
93.在本实施例中，当车辆获取软件升级包后，可以对车辆的智能驾驶系统进行升级，或者说，对车辆的智能驾驶系统中的交通事故识别预测算法进行升级，从而在车辆的行驶
过程中，使用升级后的智能驾驶系统或交通事故识别预测算法对交通事故进行识别预测。其中，交通事故的识别预测是指车辆的智能驾驶系统基于获取到的周围环境信息，判断周围车辆是否会发生或即将发生碰撞等交通事故。
94.具体地，例如，根据软件升级包对车辆的智能驾驶系统进行升级，使用升级后的智能驾驶系统进行交通事故的识别预测。
95.本实施例通过当车辆虚拟驾驶员和/或人类驾驶员各自的驾驶行为达到预设条件时，回传目标数据至后台用于交通事故预测算法的训练，以针对车辆用于预测交通事故的算法进行升级，有效地改进了车辆的交通事故识别预测算法的训练方式。从而解决了现有智能驾驶技术对交通事故识别预测准确度较低的问题，实现了提升智能驾驶技术交通事故识别预测性能的技术效果。此外，由于是在车辆行驶过程中获取训练样本数据，因为能够获得更多更丰富的样本数据对算法进行训练，且获取样本数据的方式较为方便、低成本。
96.进一步地，在本发明交通事故识别预测方法的另一实施例中，步骤s10，判断虚拟驾驶员的驾驶行为是否达到预设条件，包括：
97.步骤s11，获取所述虚拟驾驶员的驾驶行为所生成的第一行为信息，判断所述第一行为信息是否达到第一预设条件。
98.在本实施例中，第一行为信息是指虚拟驾驶员车辆行驶过程中所生成的，对交通事故识别预测的决策行为信息。第一预设条件是指，虚拟驾驶员预测交通事故即将发生或识别到交通事故发生。
99.具体地，通过虚拟驾驶员在车辆行驶过程中，是否生成预测交通事故即将发生或识别交通事故发生的决策信息，判断第一行为信息是否达到第一预设条件。
100.步骤s12，若所述第一行为信息达到第一预设条件，则判定所述虚拟驾驶员的驾驶行为达到预设条件。
101.在本实施例中，当虚拟驾驶员在车辆行驶过程中生成了预测交通事故即将发生或识别到交通事故发生的决策信息时，则判定第一行为信息达到第一预设条件，从而判定虚拟驾驶员的驾驶行为达到第一预设条件。
102.本实施例通过获取虚拟驾驶员的第一行为信息，判断第一行为信息是否达到第一预设条件，以进一步判断是否达到预设条件，从而触发目标数据的回传，即触发用于算法训练的原始样本数据的获取，丰富了可用于训练的样本数据。
103.可选地，步骤s10，判断人类驾驶员的驾驶行为是否达到预设条件，包括：
104.步骤s13，获取所述人类驾驶员的驾驶行为所生成的第二行为信息，判断所述第二行为信息是否达到第二预设条件。
105.在本实施例中，第二行为信息是指人类驾驶员的踩刹车、打方向盘的驾驶行为信息。第二预设条件是指车辆的制动踏板开度变化率大于某阈值并且在深踏板处持续一段时间阈值t6秒，且这段时间的车速不为零(v
vehicle
＞0)；或者是方向盘的转角速率高于某阈值并且持续一段时间阈值t7秒，且这段时间的车速不为零(v
vehicle
＞0)。其中，具体的阈值可由开发人员根据具体的应用边界自行确定。
106.具体地，例如，通过人类驾驶员踩刹车时的车辆制动踏板开度信息、时间信息及车速信息，或者通过人类驾驶员转动方向盘时的方向盘转角速率信息、时间信息及车速信息，
判断第二行为信息是否达到第二预设条件。
107.步骤s14，若所述第二行为信息达到第二预设条件，则判定所述人类驾驶员的驾驶行为达到预设条件。
108.在本实施例中，当人类驾驶员踩刹车时，车辆的制动踏板开度变化率大于某阈值，并且在深踏板处持续一段时间阈值，且这段时间的车速不为零，或者当人类驾驶员转动方向盘时，车辆的方向盘转角速率高于某阈值，并且持续一段时间阈值，且这段时间的车速不为零，则判定第二行为信息达到第二预设条件，进而判定人类驾驶员的驾驶行为达到预设条件。
109.可选地，步骤s10，所述判断虚拟驾驶员的驾驶行为和人类驾驶员的驾驶行为是否达到预设条件，包括：
110.步骤s15，获取所述虚拟驾驶员的驾驶行为与所述人类驾驶员的驾驶行为的行为差别信息，判断所述行为差别信息是否达到第三预设条件；
111.在本实施例中，行为差别信息是指虚拟驾驶员与人类驾驶员在进行同一驾驶行为时的差别信息，如同时控制车辆加速、控制车辆减速或控制车辆转向。具体地，例如，人类驾驶员与虚拟驾驶员均控制车辆加速时，二者油门加速踏板开度的差值或者是意图加速度的差值。其中，虚拟驾驶员通过发送加速指令给发动机实现“踩油门加速踏板”这一行为，通过发送减速指令给底盘esp系统实现“踩制动踏板”行为，通过发送转角指令或扭矩指令给方向盘eps系统实现“转向”行为。
112.第三预设条件则是指人类驾驶员和虚拟驾驶员的意图加速度(intended acceleration)差值绝对值大于某阈值(|ia
h-iav|＞ia
th
)并持续一段时间阈值t1秒，或人类驾驶员和虚拟驾驶员的油门加速踏板开度(accelerator pedal opening)差值绝对值大于某阈值(|apo
h-apov|＞apo
th
)并持续一段时间阈值t2秒；或者人类驾驶员和虚拟驾驶员的意图减速度(intended deceleration)差值绝对值大于某阈值(|id
h-idv|＞id
th
)并持续一段时间阈值t3秒，或人类驾驶员和虚拟驾驶员的制动减速踏板开度(decelerator pedal opening)差值绝对值大于某阈值(|dpo
h-dpov|＞dpo
th
)并持续一段时间阈值t4秒；或者人类驾驶员和虚拟驾驶员的意图方向盘转角(intended steering angle)差值绝对值大于某阈值(|isa
h-isav|＞isa
th
)并持续一段时间阈值t5秒。其中，具体的阈值可由开发人员根据具体的应用边界自行确定。
113.具体地，例如，通过人类驾驶员与虚拟驾驶员的意图加速度差值绝对值信息及其持续时间信息，判断行为差别信息是否达到第三预设条件。通过上述其他信息判断行为差别信息是否达到第三预设条件的步骤，与前述步骤相同，此处不再一一列举。
114.步骤s16，若所述行为差别信息达到第三预设条件，则判定所述虚拟驾驶员的驾驶行为和所述人类驾驶员的驾驶行为达到预设条件。
115.在本实施例中，当人类驾驶员和虚拟驾驶员的意图加速度、油门加速踏板开度、意图减速度、制动减速踏板开度、意图方向盘转角中的任一个差值绝对值大于某阈值，并持续一段时间阈值，则判定行为差别信息达到第三预设条件，进而判定拟驾驶员的驾驶行为和人类驾驶员的驾驶行为达到预设条件。
116.在本实施例中，通过获取多种虚拟驾驶员及人类驾驶员的驾驶行为信息或行为差别信息，判定是否达到不同的具体预设条件，从而判定是否达到预设条件，即判断是否触发
目标数据的回传，从而实现了回传多种类型的数据进行算法训练开发，由于样本数据较多，使得可以提升交通事故识别预测的准确率。
117.进一步地，在本发明交通事故识别预测方法的另一实施例中，步骤s20，所述将预设的目标数据回传至所述车辆关联的后台服务器的步骤，包括：
118.步骤s21，确定所述虚拟驾驶员的驾驶行为和/或所述人类驾驶员的驾驶行为达到所述预设条件的时间点。
119.在本实施例中，通过判定虚拟驾驶员的驾驶行为达到预设条件时的当前时刻，或者是判定人类驾驶员驾驶行为达到预设条件时的当前时刻，又或者是判定虚拟驾驶员和人类驾驶员的驾驶行为达到预设条件时的当前时刻，以确定达到预设条件的时间点。用于确定开始采集目标数据的时间。
120.步骤s22，获取所述时间点前后预设时长内采集到的目标数据，并将所述目标数据回传至所述车辆关联的后台服务器。
121.在本实施例中，预设时长用于确定需要采集的目标数据的时长，可以根据实际需求自行确定，例如，将预设时长设置为15秒，则会采集达到判定预设条件时间点前后15秒的目标数据。其中，车辆中会有缓存区域提前缓存这些目标数据，以供车辆的控制器在达到预设条件时获取这些目标数据。
122.可选地，步骤s22，所述将所述目标数据回传至所述车辆关联的后台服务器的步骤，包括：
123.步骤s221，根据所述预设条件的条件类型，对所述目标数据进行分类。
124.在本实施例中，预设条件的条件类型是指预设的具体用于触发数据回传条件，分为上述的第一预设条件、第二预设条件与第三预设条件。即将达到上述第一、第二、第三预设条件时所回传的数据进行分类，具体的，可以将在不同预设条件时回传的目标数据打上标签，注明该目标数据是由触发何种预设条件所回传的，以便进行目标数据的分类。
125.步骤s222，将所述分类后的目标数据回传至预设的数据存储中心，以供所述车辆关联的后台服务器从所述数据存储中心下载所述目标数据。
126.在本实施例中，由于回传的数据量较大，因而可以先将分类后的目标数据回传至预设的数据存储中心或者是云端，再供后台服务器进行下载获取。
127.本实施例通过根据触发的不同预设条件的类型，对目标数据进行分类，注明目标数据是由何种具体的预设条件所触发回传的，有利于对大量数据的区分与识别。
128.进一步地，在本发明另一种交通事故识别预测方法的实施例中，参照图3，图3为本发明另一种交通事故识别预测方法一实施例的流程示意图，所述方法应用于车辆关联的后台服务器，包括：
129.步骤a10，获取所述车辆回传的目标数据，对所述目标数据进行清洗获得有效数据集；
130.在本实施例中，后台服务器可以从云端或数据存储中心获得车辆回传的目标数据。有效数据集则是指，车辆回传的目标数据中，最终可以用于交通事故识别预测算法训练的数据集合。
131.对目标数据进行清洗是指，清洗掉其中的不包含交通事故的数据，即对算法训练没有作用的数据。例如，可以通过机器查找方法，即人工智能算法提取出目标数据中包含交
通事故的数据，放入一个数据集中，作为有效数据集；将剩余的数据归入另一个数据集中，以供人工判断是否还有包含交通事故的数据，并接收人工筛选出来的有效数据，放入有效数据集中。
132.步骤a20，根据所述有效数据集对交通事故识别预测算法进行训练得到训练后的算法；
133.在本实施例中，在获得有效数据集后，由服务器根据有效数据集，即样本数据，对交通事故识别预测算法进行训练，从而得到训练后的算法，训练后的算法用于集成车载自动驾驶系统的软件升级包。
134.步骤a30，根据所述训练后的算法集成得到软件升级包，将所述软件升级包传递至所述车辆。
135.在本实施例中，服务器会将训练后的算法集成为车载智能驾驶系统到的软件升级包，用于智能驾驶系统的升级。可以定时或不定时的通过ota(over-the-air technology，空中下载技术)下发给车辆，以供车辆下载并进行智能驾驶系统的升级。
136.可选地，步骤a10，所述对所述目标数据进行清洗获得有效数据集的步骤，包括：
137.步骤a11，获取所述目标数据的类型，根据所述目标数据的类型将所述目标数据分别放入第一数据集和第二数据集；
138.在本实施例中，由于在车辆进行目标数据回传时，会根据其回传时所触发的具体预设条件，对目标数据进行分类或者是打好标签，因而服务器可以获取到目标数据的类型。其中，获取目标数据的类型，即为获取目标数据具体是触发何种预设条件而进行回传的，可以分为上述的第一、第二、第三预设条件所回传的三种目标数据。
139.分别将不同类型的目标数据归入不同的数据集，具体地，可以将由第二、第三预设条件触发回传的目标数据放入第一数据集；而由第一预设条件触发回传的目标数据放入第二数据集，即虚拟驾驶员识别到的交通事故数据或预测的交通事故数据。
140.步骤a12，分别对第一数据集和第二数据集中的数据进行清洗以获得所述有效数据集。
141.在本实施例中，对于不同类型的目标数据，需要使用不同的清洗方法，因而分别清洗，以获得有效数据集。其中，有效数据集可以包括正确数据集和错误数据集，正确数据集用于算法的正向训练，错误数据集则用于算法的反向训练。
142.具体地，例如，对第一数据集中的数据，由于数据量较大，可能包括外交通事故的数据，也可能没有交通事故的数据。故可以先通过机器查找方法，即人工智能算法提取出目标数据中包含交通事故的数据，放入正确数据集中，将第一数据集中机器查找后剩余的数据提供给人工查找，接收经过人工筛选出来的数据，也放入正确数据集中，从而得到有效数据集。
143.针对第二数据集中的数据，由于数据量较小，故可以选择提供给人工查找，接收人工筛选出来的包含交通事故的数据，放入正确数据集中；而不包含交通事故的数据，则说明虚拟驾驶员判断错误，故放入错误数据集中，以供进行算法的反向训练。
144.本实施例通过根据目标数据的类型，将其分为两个数据集，使用不同的方式清洗得到有效数据集，提高了有效数据提取的效率及正确率。此外，由于得到了正确数据集和错误数据集对算法进行正向和反向的训练，有利于提升训练后的算法的交通事故识别预测准
确率。
145.进一步地，本发明实施例还提供一种交通事故识别预测设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的交通事故识别预测程序，所述交通事故识别预测程序配置为实现如上述实施例提供的交通事故识别预测方法的步骤，具体的实施步骤可参照上述实施例，此处不再过多赘述。
146.进一步地，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有交通事故识别预测程序，所述交通事故识别预测程序被处理器执行时，实现上述实施例提供的交通事故识别预测方法的步骤，具体的实施步骤可参照上述实施例，此处不再过多赘述。
147.本发明实施例所提供的交通事故识别预测设备和计算机可读存储介质，用于实现上述实施例提供的触摸终端远程控制方法，解决了现有智能驾驶技术对交通事故识别预测准确度较低的问题与现有技术相比，本发明实施例提供的交通事故识别预测设备和计算机可读存储介质的有益效果与上述实施例的交通事故识别预测方法的有益效果相同，在此不做赘述。
148.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
149.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
150.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。