一种事故原因确定方法、装置、设备及存储介质与流程

1.本发明涉及自动驾驶技术领域，尤其涉及一种事故原因确定方法、装置、设备及存储介质。


背景技术：

2.目前，虽然各国大力发展自动驾驶技术，大规模推进测试复杂的多类交通场景，但是自动驾驶的安全风险尚未得到有效防控，各类自动驾驶汽车的交通事故屡见不鲜，如何分析事故场景并得到事故发生原因，成为自动驾驶领域的研究热点之一。


技术实现要素：

3.本发明实施例提供了一种事故原因确定方法、装置、设备及存储介质，以解决相关技术中无法有效分析出自动驾驶事故发生原因的问题，实现了根据事故场景决策树，分析出标签化的自动驾驶事故场景的事故原因。
4.根据本发明的一方面，提供了一种事故原因确定方法，包括：
5.获取与目标类事故匹配的事故场景集合；其中，事故场景中标记有场景特征标签；
6.根据事故场景集合，建立由场景特征指向事故严重程度的场景决策树；
7.根据场景决策树，确定待处理的目标类事故场景的事故原因。
8.可选的，获取与目标类事故匹配的事故场景集合，包括：
9.获取目标类事故对应的目标事故类型；
10.从预设的标签化事故场景中，选择标记有目标事故类型标签的事故场景，加入事故场景集合中。
11.可选的，根据事故场景集合，建立由场景特征指向事故严重程度的场景决策树，包括：
12.根据目标类事故对应的目标事故严重程度，计算各项场景特征在事故场景集合下的信息增益值，确定场景决策树的根决策节点；
13.将根决策节点作为当前处理节点，根据剩余的场景特征，确定基于当前处理节点的各个特征属性的决策节点或者叶子节点；
14.将各决策节点作为当前处理节点，返回执行根据剩余的场景特征，确定基于当前处理节点的各个特征属性的决策节点或者叶子节点的操作，直至所有叶子结点都指向事故严重程度。
15.可选的，根据目标类事故对应的目标事故严重程度，计算各项场景特征在事故场景集合下的信息增益值，确定场景决策树的根决策节点，包括：
16.基于事故场景集合，根据目标类事故对应的目标事故严重程度，计算目标类事故的信息熵；
17.计算基于各项场景特征的目标类事故的条件熵；
18.计算信息熵与各项场景特征对应的条件熵的差值，作为各项场景特征的信息增益
值；
19.选择信息增益值最大的场景特征，作为场景决策树的根决策节点。
20.可选的，根据剩余的场景特征，确定基于当前处理节点的各个特征属性的决策节点或者叶子节点，包括：
21.对于当前处理节点的各个特征属性，从事故场景集合中筛选出与各个特征属性对应的事故场景子集合；
22.对于各个事故场景子集合，根据目标类事故对应的目标事故严重程度，计算目标类事故基于对应特征属性的信息熵；
23.如果信息熵为零，则确定特征属性指向的叶子节点；叶子节点为事故严重程度；
24.如果信息熵不为零，则从剩余的场景特征中，确定基于特征属性的决策节点。
25.可选的，根据场景决策树，确定待处理的目标类事故场景的事故原因，包括：
26.对目标类事故场景进行标签化处理，确定目标类事故场景对应的第一场景特征标签；
27.根据场景决策树，查询与第一场景特征标签匹配的第一节点路径；
28.根据第一节点路径对各第一场景特征进行排序，得到目标类事故场景的事故原因。
29.可选的，场景特征至少包括：天气、光照、车辆限速、车道数量、坡度、曲率以及交叉口类型。
30.根据本发明的另一方面，提供了一种事故原因确定装置，包括：
31.事故场景获取模块，用于执行获取与目标类事故匹配的事故场景集合；其中，事故场景中标记有场景特征标签；
32.场景决策树建立模块，用于执行根据事故场景集合，建立由场景特征指向事故严重程度的场景决策树；
33.事故原因分析模块，用于执行根据场景决策树，确定待处理的目标类事故场景的事故原因。根据本发明的另一方面，提供了一种电子设备，电子设备包括：
34.至少一个处理器；以及
35.与至少一个处理器通信连接的存储器；其中，
36.存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例的事故原因确定方法。
37.根据本发明的另一方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任一实施例的事故原因确定方法。
38.本发明实施例的技术方案，通过获取与目标类事故匹配的事故场景集合；其中，事故场景中标记有场景特征标签；根据事故场景集合，建立由场景特征指向事故严重程度的场景决策树；根据场景决策树，确定待处理的目标类事故场景的事故原因，解决了相关技术中无法有效分析出自动驾驶事故发生原因的问题，取到了根据事故场景决策树，分析出标签化的自动驾驶事故场景的事故原因的有益效果。
39.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
40.为了更清楚地说明本发明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发明的一些实施例，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。
41.图1是根据本发明实施例一提供的一种事故原因确定方法的流程图；
42.图2是根据本发明实施例二提供的一种事故原因确定方法的流程图；
43.图3是根据本发明实施例二所适用的一种场景决策树的示意图；
44.图4是根据本发明实施例三提供的一种事故原因确定装置的结构示意图；
45.图5是实现本发明实施例的事故原因确定方法的电子设备的结构示意图。
具体实施方式
46.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明保护的范围。
47.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“目标”、“第一”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
48.实施例一
49.图1是根据本发明实施例一提供的一种事故原因确定方法的流程图，本实施例可适用于对自动驾驶事故场景进行事故原因分析的情况，该方法可以由事故原因确定装置来执行，该装置可以采用硬件和/或软件的形式实现，该装置可配置于电子设备中。如图1所示，该方法包括：
50.s110、获取与目标类事故匹配的事故场景集合。
51.其中，事故场景是描述自动驾驶事故情况的文件，可以根据预先设置的道路文件、环境文件、本车行驶情况文件、其他车行驶情况文件等，进行自动驾驶仿真得到。示例性的，道路文件中可以包括：道路方向、路面环境情况、车道数量、坡度、有无障碍物等参数，环境文件中可以包括：天气、光照等；本车行驶情况文件以及其他车行驶情况文件中可以包括：车辆行驶路线、行驶模式、行驶速度、车辆健康状态等参数。
52.其中，事故场景中标记有场景特征标签。场景特征是一类可能的事故原因，场景特征标签的取值可以是该项场景特征下的一个特征属性。在一个可实施方式中，场景特征至少包括：天气、光照、限速、车道数量、坡度、曲率以及交叉口类型。示例性的，事故场景a标记的天气标签为晴天，光照标签为日光，限速标签为《40km/h，车道数量标签为3车道，坡度标
签为低坡度(≤4％)，曲率标签为小曲率(曲率半径》500m)，交叉口类型标签为环形交叉口。
53.其中，目标类事故可以是任意一种类别的自动驾驶事故，例如正面碰撞特大事故、追尾轻微事故等。本实施例通过对事故类型与事故严重程度进行组合，确定某一自动驾驶事故场景的事故类别。例如，某事故场景的事故类型为正面碰撞，事故严重程度为特大事故，则该事故场景的事故类别为正面碰撞特大事故。
54.可选的，获取与目标类事故匹配的事故场景集合，包括：获取目标类事故对应的目标事故类型；从预设的标签化事故场景中，选择标记有目标事故类型标签的事故场景，加入事故场景集合中。
55.本实施例中，预先对大量的事故场景进行标签化处理，为各个事故场景添加事故类型标签、事故严重程度标签以及场景特征标签。当要对目标类事故进行事故致因分析时，可以从大量的经过标签化处理的事故场景中，筛选出与目标类事故的事故类型一致的事故场景，构成事故场景集合。例如，分析正面碰撞导致的特大事故的事故发生原因时，需要将事故类型标签为正面碰撞的事故场景筛选出来，构成相应的事故场景集合，用于建立场景决策树。
56.本实施例中，可以根据表1所示的分类规则，对事故场景进行标签化处理。其中，可以将自动驾驶事故类型分为了正面碰撞、追尾、侧面碰撞、单机动车事故四类，事故原因可以由表1中的天气、光照、限速、车道数量、坡度、曲率、交叉口类型等7个事故场景特征标签共同决定，最终指向表2中的事故严重程度，包括轻微事故、一般事故、重大事故、特大事故。
57.表1事故场景标签化处理方式
[0058][0059]
表2事故严重程度分类标准
[0060][0061]
本实施例中，通过对事故场景进行标签化处理，完成事故场景的分类和特征提取，将原本复杂的事故场景仅使用9个标签表示，极大降低了分析难度。
[0062]
s120、根据事故场景集合，建立由场景特征指向事故严重程度的场景决策树。
[0063]
本实施例中，为了分析各场景特征对目标类事故原因的影响程度，通过对目标类事故匹配的事故场景进行分析，构建由场景特征指向事故严重程度的场景决策树。场景决策树的作用相当于分类器，可用于分析某一类或者某一个事故场景的事故致因，对可能导致事故发生的所有场景特征，按照对事故影响程度大小进行排序。如图2所示为场景决策树的一种结构，当然，场景决策树结构主要取决于各决策节点对应的特征属性数量，并不局限于二叉树结构。
[0064]
其中，在建立某类事故场景的场景决策树时，根决策节点对应的场景特征，即为该类事故发生的主要原因，各个决策节点对应的场景特征，按照重要程度依次排序，最终指向叶子节点，即事故严重程度。例如，分析正面碰撞特大事故的事故原因时，根据预先设置的计算公式，确定根决策节点和各个决策节点，即计算天气、光照等场景特征的事故致因程度大小，最终场景决策树会指向事故严重程度，即特大事故和非特大事故。
[0065]
可选的，根据事故场景集合，建立由场景特征指向事故严重程度的场景决策树，包括：根据目标类事故对应的目标事故严重程度，计算各项场景特征在事故场景集合下的信息增益值，确定场景决策树的根决策节点；将根决策节点作为当前处理节点，根据剩余的场景特征，确定基于当前处理节点的各个特征属性的决策节点或者叶子节点；将各决策节点作为当前处理节点，返回执行根据剩余的场景特征，确定基于当前处理节点的各个特征属性的决策节点或者叶子节点的操作，直至所有叶子结点都指向事故严重程度。
[0066]
本实施例中，根据目标类事故对应的目标事故严重程度，对事故场景集合中的事故场景进行分类，例如，分为特大事故场景和非特大事故场景，计算目标类事故的信息熵。然后计算各项场景特征对应的条件熵，得到信息增益值。选择信息增益值最大的场景特征，作为根决策节点。当确定好根决策节点后，按照根决策节点的特征属性进行分支，并在各个分支下，重复上述过程，从除了根决策节点之外的其他场景特征中，找到信息增益值最大的场景特征作为决策节点，或者，找到事故严重程度作为叶子节点。例如，确定根决策节点为天气，则按照天气的特征属性(晴天、雨天、雾天、大风、多云、雪天、其他天气)向外进行分支，并与决策节点相连，决策节点可以是除天气原因外的其他任意一种场景特征。按照上述流程确定根决策节点和各个决策节点，并且最终指向叶子节点，例如特大事故和非特大事故，完成目标类事故的场景决策树的建立。
[0067]
其中，若分析其他类事故场景，例如，正面碰撞轻微事故、正面碰撞一般事故、正面
碰撞重大事故等，只需要重复上述步骤，即可建立相应的事故场景决策树。
[0068]
s130、根据场景决策树，确定待处理的目标类事故场景的事故原因。
[0069]
本实施例中，在建立完成某一类事故对应的场景决策树之后，可以使用该场景决策树对同一类的事故场景进行事故原因分析，并按照对事故影响程度的大小，对可能导致事故发生的所有场景特征进行排序，作为事故原因。同时，也可以指导开发测试人员针对主要致因进行针对性优化，降低自动驾驶系统的安全风险，减少交通事故伤亡人数，提高自动驾驶系统的安全性和可靠性。
[0070]
可选的，根据场景决策树，确定待处理的目标类事故场景的事故原因，包括：对目标类事故场景进行标签化处理，确定目标类事故场景对应的第一场景特征标签；根据场景决策树，查询与第一场景特征标签匹配的第一节点路径；根据第一节点路径对各第一场景特征进行排序，得到目标类事故场景的事故原因。
[0071]
本实施例中，获取待分析原因的目标类事故场景之后，如果该事故场景中没有标记场景特征标签，则根据表1和表2中设置的分类规则，对该事故场景进行标签化处理，确定该事故场景对应的第一场景特征标签；如果该事故场景中已经被标签化处理，则直接获取该事故场景对应的第一场景特征标签。例如，第一场景特征标签包括：雨天、低坡度(≤4％)、昏暗、3车道、50-60km/h、小曲率(曲率半径》500m)、环形交叉口。使用第一场景特征标签匹配该场景决策树中的各节点路径，找到与之匹配的第一节点路径，将各第一场景特征按照在第一节点路径中的位置进行排序，作为该事故场景的事故原因。例如，雨天、50-60km/h、环形交叉口、昏暗、3车道、小曲率(曲率半径》500m)、低坡度(≤4％)。
[0072]
本发明实施例的技术方案，通过获取与目标类事故匹配的事故场景集合；其中，事故场景中标记有场景特征标签；根据事故场景集合，建立由场景特征指向事故严重程度的场景决策树；根据场景决策树，确定待处理的目标类事故场景的事故原因，解决了相关技术中无法有效分析出自动驾驶事故发生原因的问题，实现了根据事故场景决策树，分析出标签化的自动驾驶事故场景的事故原因。
[0073]
实施例二
[0074]
图2是根据本发明实施例二提供的一种事故原因确定方法的流程图，本实施例在上述实施例的基础上，进一步提供了：根据目标类事故对应的目标事故严重程度，计算各项场景特征在事故场景集合下的信息增益值，确定场景决策树的根决策节点的具体步骤，以及，根据剩余的场景特征，确定基于当前处理节点的各个特征属性的决策节点或者叶子节点的具体步骤。如图2所示，该方法包括：
[0075]
s210、获取与目标类事故匹配的事故场景集合。
[0076]
其中，事故场景中标记有场景特征标签。
[0077]
s220、根据目标类事故对应的目标事故严重程度，计算各项场景特征在事故场景集合下的信息增益值，确定场景决策树的根决策节点。
[0078]
本实施例中，由于事故场景集合中的事故场景全部对应目标事故类型，例如正面碰撞类型，而事故严重程度分为目标事故严重程度和非目标事故严重程度两种，例如特大事故和非特大事故。因此，可以将事故严重程度作为随机变量，计算目标类事故的信息熵，即不确定度。进而根据事故场景集合，计算在各项场景特征发生的条件下，目标类事故的条件熵，确定各项场景特征对应的信息增益值，并将信息增益值最大的场景特征作为事故主
要原因，也就是根决策节点。
[0079]
可选的，根据目标类事故对应的目标事故严重程度，计算各项场景特征在事故场景集合下的信息增益值，确定场景决策树的根决策节点，包括：基于事故场景集合，根据目标类事故对应的目标事故严重程度，计算目标类事故的信息熵；计算基于各项场景特征的目标类事故的条件熵；计算信息熵与各项场景特征对应的条件熵的差值，作为各项场景特征的信息增益值；选择信息增益值最大的场景特征，作为场景决策树的根决策节点。
[0080]
本实施例中，在选择根决策节点时，可以先根据是否对应目标事故严重程度将事故场景分为两类，以分别计算随机变量y取值目标事故严重程度和非目标事故严重程度的概率。以正面碰撞特大事故为例，事故严重程度y分为两种情况，一种为特大事故(记为y1)，另一种为非特大事故(记为y2)，则y取值特大事故的概率p(y1)等于特大事故场景数量与事故场景总数的比值，y取值非特大事故的概率p(y2)等于非特大事故场景数量与事故场景总数的比值。将p(y1)和p(y2)带入公式)带入公式即可计算出目标类事故的信息熵h(y)。
[0081]
然后，根据公式然后，根据公式计算在事故原因为场景特征x的前提下，随机变量y的信息熵，即基于场景特征x的目标类事故的条件熵。其中，x为场景特征x中的任意一种特征属性，p(x)为特征属性x发生的概率，p(y1|x)为在特征属性x发生的条件下，随机变量y1发生的概率，p(y2|x)为在特征属性x发生的条件下，随机变量y2发生的概率。以正面碰撞特大事故为例，场景特征x可以是天气、光照、限速、车道数量、坡度、曲率等的任意一项。当场景特征x为天气时，分别计算晴天x1、雨天x2、雾天x3、大风x4、多云x5、雪天x6、其他天气x7的信息熵并作累加，作为事故原因为天气并且发生正面碰撞特大事故的条件熵。
[0082]
然后，根据公式gain(y,x)＝h(y)-h(y|x),计算在事故原因确定为场景特征x的前提下，随机变量y的信息熵h(y|x)，以及在事故原因没有确定任何场景特征时的信息熵h(y)，将两者的差值作为场景特征x的信息增益值。以正面碰撞特大事故为例，该步骤计算的是当场景特征x确定为天气时，发生正面碰撞特大事故的熵值减少了多少。
[0083]
重复上述过程，分别计算场景特征x为天气、光照、限速、车道数量、坡度、曲率、交叉口类型的信息增益值。由于当信息增益值最大时，该场景特征对事故发生原因的影响程度最大，因此，选择信息增益值最大的一项场景特征作为根决策节点。
[0084]
s230、将根决策节点作为当前处理节点，根据剩余的场景特征，确定基于当前处理节点的各个特征属性的决策节点或者叶子节点。
[0085]
本实施例中，当确定好根决策节点后，按照根决策节点的特征属性进行分支，并在各个分支下，重复上述过程，从除了根决策节点之外的其他场景特征中，找到信息增益值最大的场景特征作为决策节点，或者，找到事故严重程度作为叶子节点。
[0086]
可选的，根据剩余的场景特征，确定基于当前处理节点的各个特征属性的决策节点或者叶子节点，包括：对于当前处理节点的各个特征属性，从事故场景集合中筛选出与各
个特征属性对应的事故场景子集合；对于各个事故场景子集合，根据目标类事故对应的目标事故严重程度，计算目标类事故基于对应特征属性的信息熵；如果信息熵为零，则确定特征属性指向的叶子节点；叶子节点为事故严重程度；如果信息熵不为零，则从剩余的场景特征中，确定基于特征属性的决策节点。
[0087]
本实施例中，针对当前处理节点的各个特征属性，分别从事故场景集合中选择标记有相应标签的事故场景，构成与之对应的事故场景子集合。然后根据每个特征属性对应的事故场景子集合，计算在主要事故原因确定为该特征属性的前提下，除了当前处理节点之外的每一种场景特征的信息增益值，并选择信息增益值最大的一项场景特征，作为基于该特征属性的决策节点，即在主要事故原因为该特征属性时的次要事故原因。
[0088]
示例性的，对于正面碰撞特大事故，假设已经计算出根决策节点为天气，并且确定根决策节点为当前处理节点，则针对天气的各个特征属性，例如雨天，从当前处理节点对应的事故场景集合中选择标记有雨天标签的事故场景，构成雨天对应的事故场景子集合。然后，根据是否是特大事故对该事故场景子集合进行分类，计算在雨天的前提下发生特大事故的概率，以及在雨天前提下发生非特大事故的概率，并带入信息熵计算公式，计算在主事故原因为雨天时发生正面碰撞特大事故的信息熵。
[0089]
如果信息熵为零，即标记有雨天标签的事故场景全部都是同一种事故严重程度，例如特大事故或者非特大事故，则确定当前处理节点的雨天属性指向场景决策树的叶子节点，并将此时的事故严重程度作为该叶子节点。如果信息熵不为零，则计算在主要事故原因为雨天的前提下，确定次要事故原因为除了天气之外的其他场景特征x时，发生正面碰撞特大事故的条件熵，进而计算出剩余的各项场景特征在确定雨天前提下的信息增益值，选择信息增益值最大的一项场景特征，作为在根决策节点的雨天分支下的决策节点。重复上述过程，可计算出天气在各个特征属性的分支下的决策节点或者叶子节点。
[0090]
s240、将各决策节点作为当前处理节点，返回执行根据剩余的场景特征，确定基于当前处理节点的各个特征属性的决策节点或者叶子节点的操作，直至所有叶子结点都指向事故严重程度。
[0091]
s250、根据场景决策树，确定待处理的目标类事故场景的事故原因。
[0092]
本实施例中，在事故场景决策树中，每项场景特征都按照对事故影响程度大小进行排序，最终指向事故严重程度。根据与各类事故对应的事故场景决策树，不仅可以指导开发测试人员针对某一类甚至是某个场景的事故原因进行针对性优化，还可以对某些场景是否发生事故进行预测。
[0093]
可选的，还包括：响应于对指定场景的事故预测操作，对指定场景进行标签化处理，确定指定场景对应的第二场景特征标签；根据第二场景特征标签，对各类事故对应的场景决策树进行节点路径匹配；如果存在与第二场景特征标签匹配的第二节点路径，则确定指定场景将发生事故。
[0094]
本实施例中，当要针对某个场景预测未来是否会发生事故时，可以先对该场景标记天气、光照、限速、车道数量、坡度、曲率等场景特征标签，即第二场景特征标签。根据第二场景特征标签去匹配与各类事故对应的场景决策树，判断是否能找到与第二场景特征标签匹配的第二节点路径。如果没有找到，则初步认为该场景不会发生事故；如果能找到，则认为该场景未来会发生事故，且事故严重程度为第二节点路径的叶子节点，事故类型为该场
景决策树对应的事故类型。
[0095]
本实施例中，通过设置根决策节点和决策节点的计算规则，按照各项场景特征对事故影响程度大小进行排序，建立了事故场景决策树。根据事故场景决策树，不仅能够指出某一类甚至是某个事故场景的事故致因，还能对某些未发生事故的场景进行事故预测。
[0096]
实施例三
[0097]
图4为本发明实施例三提供的一种事故原因确定装置的结构示意图。如图4所示，该装置包括：事故场景获取模块310，场景决策树建立模块320以及事故原因分析模块330。
[0098]
事故场景获取模块310，用于执行获取与目标类事故匹配的事故场景集合；其中，事故场景中标记有场景特征标签；
[0099]
场景决策树建立模块320，用于执行根据事故场景集合，建立由场景特征指向事故严重程度的场景决策树；
[0100]
事故原因分析模块330，用于执行根据场景决策树，确定待处理的目标类事故场景的事故原因。
[0101]
可选的，事故场景获取模块310，用于执行：
[0102]
获取目标类事故对应的目标事故类型；
[0103]
从预设的标签化事故场景中，选择标记有目标事故类型标签的事故场景，加入事故场景集合中。
[0104]
可选的，场景决策树建立模块320，包括：
[0105]
根决策节点确定单元，用于执行根据目标类事故对应的目标事故严重程度，计算各项场景特征在事故场景集合下的信息增益值，确定场景决策树的根决策节点；
[0106]
决策节点确定单元，用于执行将根决策节点作为当前处理节点，根据剩余的场景特征，确定基于当前处理节点的各个特征属性的决策节点或者叶子节点；
[0107]
返回单元，用于执行将各决策节点作为当前处理节点，返回执行根据剩余的场景特征，确定基于当前处理节点的各个特征属性的决策节点或者叶子节点的操作，直至所有叶子结点都指向事故严重程度。
[0108]
可选的，根决策节点确定单元，用于执行：
[0109]
基于事故场景集合，根据目标类事故对应的目标事故严重程度，计算目标类事故的信息熵；
[0110]
计算基于各项场景特征的目标类事故的条件熵；
[0111]
计算信息熵与各项场景特征对应的条件熵的差值，作为各项场景特征的信息增益值；
[0112]
选择信息增益值最大的场景特征，作为场景决策树的根决策节点。
[0113]
可选的，决策节点确定单元，用于执行：
[0114]
对于当前处理节点的各个特征属性，从事故场景集合中筛选出与各个特征属性对应的事故场景子集合；
[0115]
对于各个事故场景子集合，根据目标类事故对应的目标事故严重程度，计算目标类事故基于对应特征属性的信息熵；
[0116]
如果信息熵为零，则确定特征属性指向的叶子节点；叶子节点为事故严重程度；
[0117]
如果信息熵不为零，则从剩余的场景特征中，确定基于特征属性的决策节点。
[0118]
可选的，事故原因分析模块330，用于执行：
[0119]
对目标类事故场景进行标签化处理，确定目标类事故场景对应的第一场景特征标签；
[0120]
根据场景决策树，查询与第一场景特征标签匹配的第一节点路径；
[0121]
根据第一节点路径对各第一场景特征进行排序，得到目标类事故场景的事故原因。
[0122]
可选的，场景特征至少包括：天气、光照、车辆限速、车道数量、坡度、曲率以及交叉口类型。
[0123]
本发明实施例所提供的事故原因确定装置可执行本发明任意实施例所提供的事故原因确定方法，具备执行方法相应的功能模块和有益效果。
[0124]
实施例四
[0125]
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
[0126]
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
[0127]
电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0128]
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如事故原因确定方法。
[0129]
在一些实施例中，事故原因确定方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的事故原因确定方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行事故原因确定方法。
[0130]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电
路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0131]
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0132]
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0133]
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0134]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
[0135]
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
[0136]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例
如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
[0137]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。