预测处理方法、装置、计算机设备及存储介质与流程

1.本技术涉及计算机技术领域，尤其涉及一种预测处理方法、装置、计算机设备及存储介质。


背景技术：

2.随着计算机技术的不断深入发展，采用计算机技术对车辆驾驶过程中未来可能发生的事件进行预测，可极大地提升车辆驾驶过程中的安全性，由此可见，对车辆驾驶过程中未来事件的预测处理是极具现实意义的。而当前在对车辆驾驶过程中的未来事件进行预测处理时，大都是基于车辆本身的传感器对环境的传感数据采集来实现的，而基于传感器采集的数据进行安全性预测的准确性较低，由此可见，如何提升安全预测的准确性成为了当前的研究热点。


技术实现要素：

3.本发明实施例提供了一种预测处理方法、装置、计算机设备及存储介质，可提升预测的准确性。
4.一方面，本发明实施例提供了一种预测处理方法，包括：
5.获取目标数据序列，所述目标数据序列由所述目标车辆在行驶过程的不同行驶时刻产生的车辆数据构成；
6.调用联邦模型中所述目标车辆对应的循环神经网络模型对所述目标数据序列进行循环预测处理，得到所述目标车辆的第一事故预测结果；所述联邦模型包含所述目标车辆的关联设备对应的循环神经网络模型；
7.从所述关联设备中获取针对所述目标车辆的第二事故预测结果；所述第二事故预测结果是由所述关联设备采集的参考数据序列，并通过调用所述关联设备对应的循环神经网络模型对所述参考数据序列进行循环预测处理得到的；
8.采用所述目标车辆的第一事故预测结果和所述第二事故预测结果进行联合预测处理，得到所述目标车辆的目标事故预测结果。
9.再一方面，本发明实施例提供了一种预测处理装置，包括：
10.获取单元，用于获取目标数据序列，所述目标数据序列由所述目标车辆在行驶过程的不同行驶时刻产生的车辆数据构成；
11.处理单元，用于调用联邦模型中所述目标车辆对应的循环神经网络模型对所述目标数据序列进行循环预测处理，得到所述目标车辆的第一事故预测结果；所述联邦模型包含所述目标车辆的关联设备对应的循环神经网络模型；
12.所述处理单元，还用于从所述关联设备中获取针对所述目标车辆的第二事故预测结果；所述第二事故预测结果是由所述关联设备采集的参考数据序列，并通过调用所述关联设备对应的循环神经网络模型对所述参考数据序列进行循环预测处理得到的；
13.所述处理单元，还用于采用所述目标车辆的第一事故预测结果和所述第二事故预
测结果进行联合预测处理，得到所述目标车辆的目标事故预测结果。
14.再一方面，本发明实施例提供了一种计算机设备，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储支持计算机设备执行上述方法的计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如下步骤：
15.获取目标数据序列，所述目标数据序列由所述目标车辆在行驶过程的不同行驶时刻产生的车辆数据构成；
16.调用联邦模型中所述目标车辆对应的循环神经网络模型对所述目标数据序列进行循环预测处理，得到所述目标车辆的第一事故预测结果；所述联邦模型包含所述目标车辆的关联设备对应的循环神经网络模型；
17.从所述关联设备中获取针对所述目标车辆的第二事故预测结果；所述第二事故预测结果是由所述关联设备采集的参考数据序列，并通过调用所述关联设备对应的循环神经网络模型对所述参考数据序列进行循环预测处理得到的；
18.采用所述目标车辆的第一事故预测结果和所述第二事故预测结果进行联合预测处理，得到所述目标车辆的目标事故预测结果。
19.再一方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有程序指令，所述程序指令被处理器执行时，所述程序指令被处理器执行时，用于执行如第一方面所述的预测处理方法。
20.在本技术实施例中，目标车辆可在获取到目标数据序列后，调用该目标车辆中的循环神经网络对该目标数据序列进行循环预测处理，得到该目标车辆的第一事故预测结果，以及从该目标车辆的关联设备中获取针对该目标车辆的第二事故预测结果，而在该目标车辆得到该第一事故预测结果和第二事故预测结果后，则可结合该第一事故预测结果和第二事故预测结果进行联合预测处理，得到该目标车辆的目标事故预测结果，使目标车辆在进行事故预测时，将不仅结合该目标车辆采集的车辆行驶特征和操作对象的驾驶特征，还将结合道路摄像头的图像数据和传感测试等设备的传感数据，也就可提升预测结果的准确性，且实现了基于联邦学习的单车事故的预测，而基于联邦学习的隐私机制和模型构建方式，可有效利用联邦学习的隐私机制保护用户的数据安全，在数据不交互的前提下，实现对其他设备的数据的安全使用。
附图说明
21.为了更清楚地说明本发明实施例技术方案，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。
22.图1是本发明实施例提供的一种预测处理系统的示意图；
23.图2是本发明实施例提供的一种预测处理方法的示意流程图；
24.图3是本发明实施例提供的一种预测处理方法的示意；
25.图4是本发明实施例提供的一种预测处理装置的示意性框图；
26.图5是本发明实施例提供的一种计算机设备的示意性框图。
具体实施方式
27.本技术实施例提出了一种预测处理方法，使目标车辆所在的计算机设备可通过调用联邦模型中该目标车辆对应的循环神经网络，对与目标车辆关联的目标数据序列进行循环预测处理，从而得到该目标车辆的第一事故预测结果，另外，该计算机设备还可从该目标车辆的关联设备中获取得到针对该目标车辆的第二事故预测结果，其中，由于该目标数据序列与用于预测得到该第二事故预测结果的参考数据序列是分属于不同的设备采集并处理得到的，那么，该计算机设备在对目标车辆进行事故预测时，通过获取由不同设备采集并预测得到的第一事故预测结果和第二事故预测结果，可在后续采用该第一预测结果和该第二预测结果进行联合预测处理时，提升最终得到的目标事故预测结果的准确性。在一个实施例中，该预测处理方法可应用在如图1所示的预测处理系统中，该目标车辆可以是如图1中由10标记的车辆，而该目标车辆的关联设备则可以是如图1中由11标记的任意一个路侧传感器或者图像采集设备。可以理解，如图1所示的预测处理系统也是一种智能交通系统(intelligent traffic system，its)，智能交通系统又称智能运输系统(intelligent transportation system)，是将先进的科学技术(信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术、自动控制理论、运筹学、人工智能等)有效地综合运用于交通运输、服务控制和车辆制造，加强车辆、道路、使用者三者之间的联系，从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输系统。
28.在一个实施例中，该目标车辆也可被称为计算机设备，或者，也可将该目标车辆中的处理设备称为计算机设备，即是说，本技术实施例中提及的目标车辆和计算机设备不做区分；另外，联邦模型是指基于联邦学习进行模型训练和模型调用的机器学习模型，其中，联邦学习是指将分布式机器学习、密码学、基于金融规则的激励机制和博弈论结合起来，以解决分散数据的使用问题，那么，基于联邦学习进行训练和预测处理的模型则可实现分布式的进行模型训练和预测处理，另外，结合联邦学习中的隐私机制，还可有效保护数据安全性，从而实现在不实际进行数据交换(如不实际对目标数据序列和参考数据序列)进行交换的前提下，实现分布式的联邦模型的有效训练，也就实现了在保护数据安全的前提下，对联邦模型的训练精度的有效提升。
29.在一个实施例中，该联邦模型包含分别部署在该目标车辆(即计算机设备)中的循环神经网络模型，以及部署在该目标车辆的关联设备的循环神经网络模型，其中，该目标车辆的关联设备的数量为一个或多个，那么，部署在该关联设备的循环神经网络模型则包含部署在各个关联设备中的循环神经网络模型，举例来说，该目标车辆的关联设备包含路侧传感器和图像采集设备，那么，该联邦模型则不仅包含该目标设备对应的循环神经网络模型，还包含路侧传感器对应的循环神经网络模型，以及图像采集设备对应的循环神经网络模型。在一个实施例中，该目标车辆与关联设备的关联关系可以是基于该目标车辆所在的行驶路段进行确定的，其中，可将该目标车辆所在行驶路段的全部路侧传感器和图像采集设备作为该目标车辆的关联设备，或者，也可将该目标车辆的当前行驶路段(即该目标车辆所在的部分行驶路段)中的路侧传感器和图像采集设备，作为该目标车辆的关联设备。
30.在一个实施例中，为了保证同一设备中不同数据的数据安全性，以及为了避免不同类型的数据在事故预测处理过程中相互影响，从而导致事故预测处理出错的问题，也可部署不同的循环神经网络模型对不同类型的数据序列进行事故预测处理，具体来说，若该
目标车辆对应的目标数据序列为行驶数据序列和操作数据序列中的一种或多种，那么，对该目标数据序列进行事故预测处理的目标车辆的循环神经网络模型则可包含用于对行驶数据序列进行处理的行驶预测模型，以及用于对操作数据序列进行处理的操作预测模型中的一种或多种。
31.在一个实施例中，循环神经网络(或循环神经网络模型)是一种基于循环神经网络(recurrent neural network，rnn)算法实现的网络模型，其中，rnn算法是一类以序列(sequence)数据为输入，如上述的目标数据序列或参考数据序列等，并在序列的演进方向进行递归(recursion)后，将所有节点(循环单元)按链式连接的递归神经网络，基于rnn算法的网络模型可对时间序列的相关数据进行处理，相比于基于单个数据进行处理的网络模型而言，更具可靠性和准确性，那么，基于rnn算法实现的事故预测模型所得到的事故预测结果也就更具可靠性和准确性。其中，该rnn算法是通过激活函数和平滑(sigmoid)函数实现的循环预测，激活函数是一种定义当前节点在给定的输入或输入的集合下的输出函数，如逻辑函数、反正切函数，而sigmoid函数是个在生物学中常见的s型函数，也称为s型生长曲线。在信息科学中，由于其单增以及反函数单增等性质，sigmoid函数常被用作神经网络的激活函数，将变量映射到0，1之间，常见的如：逻辑回归函数。而在本技术实施例中提及的事故预测是指交通事故预测，交通事故是指车辆在道路上因过错或者意外产生一定损失的事件，该交通事故的产生可能是由于操作不规范造成的，或者，有可能是由于不可抗力因素产生的，因此，基于交通事故存在的多样性，本技术实施例在基于联邦模型进行预测处理时，也将结合不同类型的数据序列，以保证事故预测结果的准确性及可靠性，其中，该交通事故例如可以是碰撞事故，爆炸事故，或者擦挂事故等，可以理解，在对不同的交通事故进行事故预测处理时，可采集所需的不同数据序列，并调用不同的联邦模型进行预测处理，而在本技术实施例中，主要以该碰撞事故为例，并通过采集进行碰撞事故预测时所需的数据序列为例进行详细说明。
32.在一个实施例中，该数据序列是基于数据的采集时间进行排列的数据队列，而通过调用相应的循环神经网络模型，对目标该数据序列进行事故预测处理时，则将基于该数据序列中各数据对应的时间依次输入到循环神经网络模型中进行处理，且数据序列中的前一个数据在循环神经网络模型的输出，将作为该循环神经网络模型下一阶段的预测输入，由此，可使循环神经网络模型对数据序列中的各数据进行识别处理，并在对该数据序列中的各数据识别完毕后得到相应的事故预测结果。
33.请参见图2，是本技术实施例提出的一种预测处理方法的示意流程图，该预测处理方法可由上述的目标车辆(即计算机设备)执行，且该目标车辆在执行该预测处理方法时，将主要经历如图3所示的八个阶段：数据输入阶段、样本构建阶段、基于联邦学习的rnn模型构建阶段、联邦对数损失模型构建阶段、联邦rnn梯度模型构建阶段、基于联邦rnn模型训练测试阶段、基于联邦学习的rnn模型预测阶段、交通事故预警阶段，下面，将结合图2和图3，对本技术实施例提及的预测处理方法进行详细说明，如图2所示，该预测处理方法具体可包括：
34.s201，获取目标数据序列，目标数据序列由目标车辆在行驶过程的不同行驶时刻产生的车辆数据构成。
35.在一个实施例中，目标车辆在数据输入阶段，会将目标数据序列输入到目标车辆
中，以通过调用联邦模型中该目标车辆对应的循环神经网络模型对该目标数据序列进行事故预测处理，并得到第一事故预测结果。其中，目标车辆在针对联邦学习模型的模型训练过程中，以及模型应用过程(即上述的交通事故预警阶段)中均将涉及进行目标数据序列的输入，但在模型训练过程及模型应用过程中所输入的目标数据序列又存在一定的差异。首先，在模型训练过程中，输入到目标车辆的目标数据序列是通过车机端(即目标车辆)的云端数据库日志数据得到，在一个实施例中，可基于该目标车辆的车牌号或者车辆唯一标识(identity，id)从该车机端的云端数据库日志中，获取到该目标车辆的目标数据序列，并输入到该目标车辆中进行后续的模型训练。在具体实现中，目标车辆在获取目标数据序列时，可先获取目标车辆的行驶数据序列及针对目标车辆的操作数据序列，在一个实施例中，输入到目标车辆的行驶数据序列(假设由xw进行表示)包含以下一种或多种：车辆自身车速、前后车车速、车辆采集的路面图像、前后车距离、左右车距离、车辆兴趣点(point of interest，poi)数据、车辆长度、宽度、车辆重量、车辆油耗、车辆核载人数、车辆实载人数、车辆最高时速、车辆排量等、平均车速、限速数据、超速度数据、车流数据等，而输入到该目标车辆的操作数据序列(假设由xu进行表示)则可包含以下一种或多种：车主驾驶过程中在车内的图像数据、行车过程中点击手机(车机端屏幕)次数、行车过程中调节座位次数、调节空调次数、收听音乐数据、播放视频数据、踩刹车次数、踩加油次数、方向盘摆动幅度、方向盘摆动次数、加减档操作次数等。
36.可以理解的是，输入到目标车辆的行驶数据序列可以用于反映该目标车辆的行驶特征，而输入该目标车辆的操作数据序列则可以用于反映该目标车辆对应操作对象的操作行为特征。而在将目标数据序列输入到该目标车辆后，该目标车辆还可获取目标车辆的事故标签，事故标签包含标签生成时间，标签生成时间用于指示目标车辆出现事故的时刻，其中，该事故标签可被记为y
t
，其中，y
t
＝{0，1}，当事故标签y
t
的取值为0时，说明该目标车辆在t时刻未产生交通事故，而在该事故标签y
t
的取值为1时，则说明该目标车辆在t时刻产生了交通事故。
37.在目标车辆获取到该目标车辆的行驶数据序列，针对目标车辆的操作数据序列，以及该目标车辆的事故标签后，该目标车辆则可在样本构建阶段基于事故标签，以及事故标签包含的标签生成时间，将事故标签分别与行驶数据序列和操作数据序列进行关联，可以理解，基于事故标签，将行驶数据序列和操作数据序列进行关联的过程，也就是按照事故标签y
t
将行驶数据序列和操作数据序列根据目标车辆的车辆标识进行关联的过程，也即是说，生成的目标数据序列中包含关联了事故标签的行驶数据序列以及包含了事故标签的操作数据序列。
38.在一个实施例中，如果行驶数据序列由0～t时间段内的行驶数据构成，操作数据序列由0～t时间段内的操作数据构成，t》0，若事故标签的标签生成时间为t，且0《t《t，那么，该目标车辆在基于事故标签，以及事故标签包含的标签生成时间，将事故标签分别与行驶数据序列和操作数据序列进行关联时，则可根据事故标签的标签生成时间t，将事故标签与处于0～t时间段内的行驶数据序列进行关联，作为关联事故标签后的行驶数据序列，以及，根据事故标签的标签生成时间t，将事故标签与处于0～t时间段内的操作数据序列进行关联，并作为关联事故标签后的操作数据序列。举例来说，若t的取值为10分钟，那么，该行驶数据序列和操作数据序列则是为0～10分钟内的行驶数据和操作数据，进一步地，若t为8
分钟，则可将0～8分钟的行驶数据与事故标签进行关联，以及将0～8分钟的操作数据与事故标签进行关联后，以进行目标数据序列的生成。
39.在一个实施例中，目标车辆在将事故标签分别与行驶数据序列和操作数据序列进行关联之后，则可根据关联事故标签后的行驶数据序列，及关联事故标签后的操作数据序列生成目标数据序列，在具体实现中，该目标车辆可分别对关联事故标签后的行驶数据序列进行序列切分处理，以及关联事故标签后的操作数据序列进行序列切分处理，分别得到一个或多个行驶样本序列，以及一个或多个操作样本序列，然后则可将一个或多个行驶样本序列中的任一个，以及一个或多个操作样本序列中的任一个作为目标车辆的目标数据序列，进而则可在后续采用该目标数据序列进行联邦模型的训练。其中，关联事故标签后的行驶数据序列，及关联事故标签后的操作数据序列可被称为车辆样本数据s
t
，而后续进行的序列切分处理可以是感召一定比例进行随机切分处理的，在一般情况下，可切分处理得到两部分，一部分是比例为x的训练样本(即目标数据序列)，可标记为另一部分则是比例为1-x的测试样本，可标记为
40.在数据输入阶段还涉及对目标车辆的关联设备进行数据的输入，在一个实施例中，与该目标设备相关的关联设备可以是如图1所示的图像采集设备(如道路摄像头等)和路侧传感器中的一个或两个，那么，在该数据输入阶段输入到图像采集设备的数据序列则为图像数据序列，该图像数据序列可记为xv，且可具体包含以下一个或多个：通过道路摄像头采集的操作对象在目标车辆中的行为图像数据、目标车辆在道路上的图像数据，通过卷积神经网络(cnn)图像处理方法提取的图像中路况情况、所在车道数据、所在车道限速数据、车辆1分钟内变道平均次数、车主(即目标车辆的操作对象)没有佩戴安全带次数等。此外，在数据输入阶段输入到该路侧传感器的数据序列为传感数据序列，该传感数据序列可记为xc，并具体包含目标车辆通过该路段的的车速数据、该路段的限速数据、通过该路段的平均车速数据、目标车辆的超速次数等中的一个或多个。同样的可以理解，由图像采集设备采集的图像数据序列即由路侧传感器采集得到的传感数据序列可用于反映该目标车辆在行驶过程中的行驶环境特征，以及用于反映该目标车辆在相应行驶过程中的行驶状态。
41.在数据输入阶段分别使图像采集设备获取到相应的图像数据序列，使路侧传感器获取到相应的传感数据序列后，也会在样本构建阶段将图像数据序列和传感数据序列按照事故标签y
t
进行关联处理，也就是说，在样本构建阶段处理的数据包含行驶数据序列xw，操作数据序列xu，以及图像数据序列xv，传感数据序列xc，并按照事故标签y
t
对数据序列{xw，xu，xv，xc}进行关联和随机比例的划分，最终得到一部分是比例为a的训练样本，可标记为另一部分则是比例为1-a的测试样本，可标记为
42.基于联邦学习过程中对数据隐私安全的保护策略，在按照事故标签对相应数据序列进行关联和随机比例划分的时候，对相应数据序列的处理过程，是由相应数据序列被输入的设备来执行处理的，如行驶数据序列xw和操作数据序列xu均在数据输入阶段输入到目标车辆中，那么针对行驶数据序列xw和操作数据序列xu的处理过程则是由该目标车辆来执行的，以使目标车辆通过联邦模型中目标车辆对应的循环神经网络模型对处理后的数据序列(即目标数据序列)进行识别处理，得到第一事故预测结果，即转而执行步骤s202。同样的，在目标车辆的关联设备分别对图像数据序列xv和传感数据序列xc进行处理之后，相应的
关联设备还可基于处理结果，该关联设备也可调用联邦模型中关联设备对应的循环神经网络模型对处理后的数据序列进行识别处理，并得到第二事故预测结果。而在关联设备识别得到第二事故预测结果后，该目标车辆则可从该关联设备中通过获取第二事故预测结果，即转而执行步骤s203，从而使得目标车辆可实现对图像数据序列xv和传感数据序列xc的间接利用，也就可提升最终预测得到的事故预测结果的准确度。
43.s202，调用联邦模型中目标车辆对应的循环神经网络模型对目标数据序列进行循环预测处理，得到目标车辆的第一事故预测结果；联邦模型包含目标车辆的关联设备对应的循环神经网络模型。
44.s203，从关联设备中获取针对目标车辆的第二事故预测结果；第二事故预测结果是由关联设备采集的参考数据序列，并通过调用关联设备对应的循环神经网络模型对参考数据序列进行循环预测处理得到的。
45.在步骤s202和步骤s203中，在样本构建阶段完成后，在联邦学习的rnn模型构建阶段将构建得到用于进行事故预测的联邦模型，可以理解，联邦模型是一个由多方联合训练的模型，因此，构建的联邦模型也是一个多方的识别模型，在一个实施例中，该用于进行事故预测的联邦模型包含目标车辆对应的循环神经网络模型，以及目标车辆的关联设备对应的循环神经网络模型，具体的模型表达式可如式1所示：
[0046][0047]
其中，该联邦模型中目标车辆对应的循环神经网络模型对应的表达式包含和所示的表达式，而目标车辆的关联设备对应的循环神经网络模型对应表达式则是和对应的表达式，而p则基于第一事故预测结果和第二事故预测结果进行联合预测时的表达式。在一个实施例中，表示当前时刻t时，目标车辆的行驶数据序列，xu表示目标车辆的操作数据序列，表示图像数据序列，而表示传感数据序列，而w
t
表示第t+1次(也即是当前轮)迭代得到的，行驶数据序列的特征权重，v
t
表示第t+1次(也即是当前轮)迭代得到的图像数据序列的特征权重，u
t
表示第t+1次(也即是当前轮)迭代得到的操作数据序列的特征权重和ct表示第t+1次(也即是当前轮)迭代得到的传感数据序列的特征权重。另外，表示前一轮行驶数据序列的隐藏层权重向量，表示前一轮图像数据序列的隐藏层权重向量，表示前一轮操作数据序列的隐藏层权重向量，表示前一轮传感数据序列的隐藏层权重向量，表示前一轮行驶数据序列的隐藏层参数，表示前一轮图像数据序列的隐藏层参数，表示前一轮操作数据序列的隐藏层参数，表示前一轮传感数据序列的隐藏层参数，{θr|r∈(w,v,u,c)}表示待训练的模型权重(也即预测权
重)。使目标车辆在模型训练中采用联邦学习的隐私机制及模型构建方法，有效利用联邦学习的隐私机制保护用户的数据安全，并在数据不交互的前提写构建基于联邦学习的rnn算法模型。
[0048]
基于如式1所示的联邦模型，该联邦模型中的目标车辆对应的循环神经网络模型包含：目标车辆对应的行驶预测模型，对应式1中对应的表达式，以及目标车辆对应的操作预测模型，对应式1中对应的表达式，而由于目标数据序列包含行驶样本序列和操作样本序列，所以，该目标车辆在调用联邦模型中目标车辆对应的循环神经网络模型对目标数据序列进行循环预测处理，得到目标车辆的第一事故预测结果时，则可调用目标车辆对应的行驶预测模型对行驶样本序列进行循环预测处理，得到目标车辆的行驶事故预测结果，即对应的取值；另外，还目标车辆还可调用目标车辆对应的操作预测模型对操作样本序列进行循环预测处理，得到目标车辆的操作事故预测结果，即对应的取值，进一步地，该目标车辆可将行驶事故预测结果和操作事故预测结果作为目标车辆的第一事故预测结果。
[0049]
在一个实施例中，目标车辆的关联设备包含图像采集设备和路侧传感器中的一个或两个，关联设备对应的循环神经网络模型包含图像预测模型(即上述式1中对应的表达式)和传感预测模型(对应模型表达式为对应的表达式)中的一个或两个；那么，参考数据序列包含由图像采集设备采集的图像数据序列，以及由路侧传感器采集的传感数据序列中的一个或两个；因此，从关联设备获取的第二事故预测结果则包含：由图像预测模型采用图像数据序列循环预测处理得到的图像事故预测结果(即对应表达式的取值)，以及由传感预测模型采用传感数据序列循环预测处理得到的传感事故预测结果(即对应表达式的取值)中的一个或两个。
[0050]
在一个实施例中，第一事故预测结果和第二事故预测结果均是通过调用相应的循环神经网络模型对相应的序列数据进行循环预测处理得到的，其中，循环预测处理的具体方式是：对相应的预测模型的特征权重(即上述的w
t
，v
t
，u
t
，c
t
)，隐藏层权重(即上述的)，隐藏层参数(即上述的)进行初始化处理，在一个实施例中，初始化的特征权重可记为[w
t
，v
t
，u
t
，c
t
]0，且[w
t
，v
t
，u
t
，c
t
)]0＝[[1,
…
,1]
t
,[1,
…
,1]
t
,[1,
…
,1]
t
,[1,
…
,1]
t
]，初始化的隐藏层权重可记为[zw，zv，zu，zc]1，且满足[zw，zv，zu，zc]1＝[[1,
…
,1]
t
,[1,
…
,1]
t
,[1,
…
,1]
t
,[1,
…
,1]
t
]，初始化的隐藏层参数为参数矩阵，可记为[hw，hv，hu，hc]0，且满足式2。
[0051][0052]
而在目标车辆对特征权重，隐藏层权重和隐藏层参数分别进行初始化后，该目标车辆还可按照式1所示的，采用初始化的特征权重[w
t
，v
t
，u
t
，c
t
]0及初始化的隐藏层权重[zw，zv，zu，zc]1，对样本序列的首个样本和初始化的隐藏层参数[hw，hv，hu，hc]0进行加权求和处理，得到首个事故预测结果，进而则可将首个事故预测结果作为下一轮的隐藏层参数，
并结合样本序列的第二个样本，以进行循环预测处理。
[0053]
在一个实施例中，目标车辆在得到第一事故预测结果和第二事故预测结果后，则可采用该第一事故预测结果和第二事故预测结果进行联合预测处理，进而得到目标车辆的目标事故预测结果，即转而执行步骤s204。
[0054]
s204，采用目标车辆的第一事故预测结果和第二事故预测结果进行联合预测处理，得到目标车辆的目标事故预测结果。
[0055]
采用第一事故预测结果和第二事故预测结果进行联合预测处理得到的目标事故预测结果可采用进行表示，且满足在目标车辆得到目标事故预测结果后，则可基于该目标事故预测结果迭代地对联邦模型进行模型训练，在具体实现中，该目标车辆可在得到目标事故预测结果后，获取与目标车辆关联的事故标签y
t
；进而可将与目标车辆关联的事故标签，与目标车辆的目标事故预测结果进行对比，然后则可采用对比结果，优化联邦模型，直至得到优化完成的联邦模型。在一个实施例中，该目标车辆在采用对比结果对联邦模型进行优化时，若该对比结果指示事故标签与目标事故预测结果不同，则可根据目标数据序列计算得到目标车辆的模型损失值，并采用梯度下降算法，对联邦模型设置的针对第一事故预测结果的第一预测权重进行更新处理；以及；将对比结果发送到关联设备中，以使关联设备根据对比结果和参考数据序列确定关联的模型损失值，并采用梯度下降算法和关联的模型损失值对联邦模型设置的针对第二事故预测结果的第二预测权重进行更新处理，以对联邦模型进行优化。
[0056]
在一个实施例中，基于上述的联邦模型对应的损失函数可如式3所示：
[0057][0058]
其中，lw表示行驶预测模型的损失函数，lu表示操作预测模型的损失函数，lv表示图像预测模型的损失函数，lc表示传感预测模型的损失函数，而l
wv
则表示行驶预测模型和图像预测模型之间的交互损失函数，l
wu
表示行驶预测模型和操作预测模型之间的交互损失函数，l
wc
表示行驶预测模型和传感预测模型之间的交互损失函数，l
vu
表示图像预测模型和
传感预测模型之间的交互损失函数，l
vc
表示图像预测模型和传感预测模型之间的交互损失函数，l
uc
表示操作预测模型和传感预测模型之间的交互损失函数，n表示车辆总数。那么，该目标车辆所确定出的目标车辆的模型损失值包含：目标车辆对应行驶预测模型(对应的模型表达式为lw)的损失值，目标车辆对应操作预测模型(对应的模型表达式为lu)的损失值，以及行驶预测模型及操作预测模型之间的交互损失值(对应的函数表达式为l
wu
)；
[0059]
关联的模型损失值包含：图像预测模型(对应的函数表达式为lv)的损失值，传感预测模型(对应的函数表达式为lc)的损失值，图像预测模型和传感预测模型之间的交互损失值(对应的函数表达式为l
vc
)，行驶预测模型和图像预测模型(对应的函数表达式为l
wv
)之间的交互损失值，行驶预测模型和传感预测模型(对应的函数表达式为l
wc
)之间的交互损失值，操作预测模型和图像预测模型(对应的函数表达式为l
vu
)之间的交互损失值，以及操作预测模型和传感预测模型(对应的函数表达式为l
uc
)之间的交互损失值。
[0060]
在一个实施例中，基于式1所示，由于目标车辆包含联邦模型中的行驶预测模型和操作预测模型，那么，相应的第一预测权重则包含：行驶预测模型的预测权重，以及操作预测模型对应的预测权重，而第二预测权重则可包含：图像预测模型的预测权重及传感预测模型对应的预测权重；其中，任一预测权重用于对相应预测模型的事故预测结果进行加权求和处理。在一个实施例中，可采用θ
w,t+1
表示当前的行驶预测模型的预测权重，θ
u,t+1
表示当前的操作预测模型的预测权重，θ
v,t+1
表示当前的图像预测模型的预测权重，θ
c,t+1
表示当前的传感预测模型的预测权重，那么，在对各预测权重进行更新处理时，将结合正则化参数λ和学习率η，并采用梯度下降算法进行更新处理，具体可参见式4。
[0061][0062]
基于设置的预测权重，那么，该目标车辆在采用目标车辆的第一事故预测结果和第二事故预测结果进行联合预测处理，得到目标车辆的目标事故预测结果时，则可获取联邦模型中为第一事故预测结果设置的第一预测权重，以及为第二事故预测结果设置的第二预测权重，进而则可采用第一预测权重和第二预测权重分别对第一事故预测结果和第二事故预测结果进行加权求和处理，得到目标车辆的目标事故预测结果，目标事故预测结果用于指示目标车辆出现交通事故的概率。在一个实施例中，在模型训练阶段，该预测权重是指当前模型训练得到的预测权重，而在模型训练完成后，该预测权重则是指最终训练得到的预测权重而目标车辆在对各预测权重进行更新处理时，也是先对各预测权重进行初始化处理的，可得到初始化后的预测权重，记为[θw,θv,θu,θc]0，初始化后的预测权重也满足：[θw,θv,θu,θc]0＝[[1,
…
,1]
t
,[1,
…
,1]
t
,[1,
…
,1]
t
,[1,
…
,1]
t
]。可以理解的是，对预测权重进行更新处理的过程也属于对联邦模型进行模型训练的部分，也就可以理解，在对联邦模型进行模型训练时，在对特征权重，隐藏层权重，隐藏层参数和预测权重进行初始化后，可输入上述的训练样本并集合正则化参数和学习率进行联邦
模型的训练，并在得到第一次迭代的损失值[lw,lv,lu,lc,l
wv
,l
wu
,l
wc
,l
vu
,l
vc
,l
uc
]1后，还可得到预测权重的更新参数[θw,θv,θu,θc]1，以得到下一次的预测权重，如此迭代，直至得到的损失值为目标损失值进而可得到最终的特征权重最终的隐藏层权重并可根据交叉损失模型，得到训练完成的预测权重以及最终的隐藏层参数进而可得到训练完成的联邦模型。
[0063]
在目标设备完成模型训练过程后，则可将训练完成的联邦模型部署到车辆防撞预测系统，即一种车辆内置的用于测算车辆发生碰撞概率的系统，如可采用训练完成的联邦模型对目标车辆进行事故预测处理，同样的，该目标车辆需获取相应的目标数据序列，并通过调用训练完成的联邦模型来基于该目标数据序列完成针对目标车辆的事故预测。在一个实施例中，在实际应用过程中，该目标车辆在获取目标数据序列时，可先获取目标车辆的参考车辆的标识信息，目标车辆的参考车辆包含行驶在目标车辆之前的车辆和行驶在目标车辆之后的车辆中的一种或两种；然后，该目标车辆基于标识信息，获取参考车辆的行驶数据序列和操作数据序列；将参考车辆的行驶数据序列和参考车辆的操作数据序列，作为目标数据序列。在具体实现中，该目标车辆可将在行驶过程中的前后车车牌图像，然后通过cnn技术获取到前后车车牌号后，基于车牌号从云端数据库中匹配出前后车的行驶数据序列和操作数据序列作为实际预测过程中的目标数据序列，在这种情况下的目标数据序列包含标识在当前时刻的行驶数据和操作数据。
[0064]
在采集到预测过程中的目标数据序列后，则可采用最终的特征权重最终的隐藏层权重训练完成的预测权重以及最终的隐藏层参数并集合式1进行事故预测处理，得到该目标车辆在当前时刻发生交通事故的目标预测结果，其中，该目标预测结果可用概率向量p{y
t+1
}进行表示。
[0065]
在一个实施例中，目标事故预测结果用于指示目标车辆出现交通事故的目标概率，那么，在该目标车辆可将目标事故预测结果指示目标车辆出现交通事故的目标概率与概率阈值进行对比，其中，该概率阈值可由θ进行表示，该概率阈值θ的取值一般为0.5或者0.7等，因此，该目标车辆可在得到目标概率p{y
t+1
}后，在目标概率大于等于概率阈值时，即p{y
t+1
}》θ时，输出交通提示信息，并根据交通提示信息降低目标车辆的行驶速度，否则，该目标车辆认为出现交通事故的概率较低，因此不输出任何的提示。或者，该目标车辆也可在目标概率大于概率阈值时，直接控制该目标车辆降低当前的行驶速度。
[0066]
在本技术实施例中，目标车辆可在获取到目标数据序列后，调用该目标车辆中的循环神经网络对该目标数据序列进行循环预测处理，得到该目标车辆的第一事故预测结果，以及从该目标车辆的关联设备中获取针对该目标车辆的第二事故预测结果，而在该目标车辆得到该第一事故预测结果和第二事故预测结果后，则可结合该第一事故预测结果和第二事故预测结果进行联合预测处理，得到该目标车辆的目标事故预测结果，使目标车辆
在进行事故预测时，将不仅结合该目标车辆采集的车辆行驶特征和操作对象的驾驶特征，还将结合道路摄像头的图像数据和传感测试等设备的传感数据，也就可提升预测结果的准确性，且实现了基于联邦学习的单车事故的预测，而基于联邦学习的隐私机制和模型构建方式，可有效利用联邦学习的隐私机制保护用户的数据安全，在数据不交互的前提下，实现对其他设备的数据的安全使用。
[0067]
基于上述预测处理方法实施例的描述，本发明实施例还提出了一种预测处理装置，该预测处理装置可以是运行于上述目标车辆，即计算机设备中的一个计算机程序(包括程序代码)。该预测处理装置可用于执行如图2所述的预测处理方法，请参见图4，该预测处理装置包括：获取单元401和处理单元402。
[0068]
获取单元401，用于获取目标数据序列，所述目标数据序列由所述目标车辆在行驶过程的不同行驶时刻产生的车辆数据构成；
[0069]
处理单元402，用于调用联邦模型中所述目标车辆对应的循环神经网络模型对所述目标数据序列进行循环预测处理，得到所述目标车辆的第一事故预测结果；所述联邦模型包含所述目标车辆的关联设备对应的循环神经网络模型；
[0070]
所述处理单元402，还用于从所述关联设备中获取针对所述目标车辆的第二事故预测结果；所述第二事故预测结果是由所述关联设备采集的参考数据序列，并通过调用所述关联设备对应的循环神经网络模型对所述参考数据序列进行循环预测处理得到的；
[0071]
所述处理单元402，还用于采用所述目标车辆的第一事故预测结果和所述第二事故预测结果进行联合预测处理，得到所述目标车辆的目标事故预测结果。
[0072]
在一个实施例中，所述获取单元401，具体用于：
[0073]
获取所述目标车辆的行驶数据序列及针对所述目标车辆的操作数据序列，并获取所述目标车辆的事故标签，所述事故标签包含标签生成时间，所述标签生成时间用于指示所述目标车辆出现事故的时刻；
[0074]
基于所述事故标签，以及所述事故标签包含的标签生成时间，将所述事故标签分别与所述行驶数据序列和所述操作数据序列进行关联；
[0075]
根据关联所述事故标签后的行驶数据序列，及关联所述事故标签后的操作数据序列生成所述目标数据序列。
[0076]
在一个实施例中，所述行驶数据序列由0～t时间段内的行驶数据构成，所述操作数据序列由0～t时间段内的操作数据构成，所述t》0，若所述事故标签的标签生成时间为t，且0《t《t；所述获取单元401，具体用于：
[0077]
根据所述事故标签的标签生成时间t，将所述事故标签与处于0～t时间段内的行驶数据序列进行关联，作为关联所述事故标签后的行驶数据序列，以及，根据所述事故标签的标签生成时间t，将所述事故标签与处于0～t时间段内的操作数据序列进行关联，并作为关联所述事故标签后的操作数据序列。
[0078]
在一个实施例中，所述获取单元401，具体用于：
[0079]
分别对关联所述事故标签后的行驶数据序列进行序列切分处理，以及关联所述事故标签后的操作数据序列进行序列切分处理，分别得到一个或多个行驶样本序列，以及一个或多个操作样本序列；
[0080]
将所述一个或多个行驶样本序列中的任一个，以及所述一个或多个操作样本序列
中的任一个作为所述目标车辆的目标数据序列。
[0081]
在一个实施例中，所述联邦模型中的所述目标车辆对应的循环神经网络模型包含：所述目标车辆对应的行驶预测模型和所述目标车辆对应的操作预测模型，所述目标数据序列包含行驶样本序列和操作样本序列；所述处理单元402，具体用于：
[0082]
调用所述目标车辆对应的行驶预测模型对所述行驶样本序列进行循环预测处理，得到所述目标车辆的行驶事故预测结果；
[0083]
调用所述目标车辆对应的操作预测模型对所述操作样本序列进行循环预测处理，得到所述目标车辆的操作事故预测结果；
[0084]
将所述行驶事故预测结果和所述操作事故预测结果作为所述目标车辆的第一事故预测结果。
[0085]
在一个实施例中，所述目标车辆的关联设备包含图像采集设备和路侧传感器中的一个或两个，所述关联设备对应的循环神经网络模型包含图像预测模型和传感预测模型中的一个或两个；
[0086]
所述参考数据序列包含由所述图像采集设备采集的图像数据序列，以及由所述路侧传感器采集的传感数据序列中的一个或两个；
[0087]
从所述关联设备获取的第二事故预测结果则包含：由所述图像预测模型采用所述图像数据序列循环预测处理得到的图像事故预测结果，以及由所述传感预测模型采用所述传感数据序列循环预测处理得到的传感事故预测结果中的一个或两个。
[0088]
在一个实施例中，所述处理单元402，具体用于：
[0089]
对相应的预测模型的特征权重，隐藏层权重，隐藏层参数进行初始化处理；
[0090]
采用初始化的特征权重及初始化的隐藏层权重，对样本序列的首个样本和初始化的隐藏层参数进行加权求和处理，得到首个事故预测结果；
[0091]
将所述首个事故预测结果作为下一轮的隐藏层参数，并结合所述样本序列的第二个样本，以进行循环预测处理。
[0092]
在一个实施例中，所述处理单元402，具体用于：
[0093]
获取所述联邦模型中为所述第一事故预测结果设置的第一预测权重，以及为所述第二事故预测结果设置的第二预测权重；
[0094]
采用所述第一预测权重和所述第二预测权重分别对所述第一事故预测结果和所述第二事故预测结果进行加权求和处理，得到所述目标车辆的目标事故预测结果，所述目标事故预测结果用于指示所述目标车辆出现交通事故的概率。
[0095]
在一个实施例中，所述获取单元401，还用于获取与所述目标车辆关联的事故标签；
[0096]
所述处理单元402，还用于将与所述目标车辆关联的事故标签，与所述目标车辆的目标事故预测结果进行对比；
[0097]
所述处理单元402，还用于采用对比结果，优化所述联邦模型，直至得到优化完成的联邦模型。
[0098]
在一个实施例中，所述处理单元402，具体用于：
[0099]
若所述对比结果指示所述事故标签与所述目标事故预测结果不同，则根据所述目标数据序列计算得到所述目标车辆的模型损失值，并采用梯度下降算法，对所述联邦模型
设置的针对所述第一事故预测结果的第一预测权重进行更新处理；以及；
[0100]
将所述对比结果发送到所述关联设备中，以使所述关联设备根据所述对比结果和所述参考数据序列确定关联的模型损失值，并采用梯度下降算法和所述关联的模型损失值对所述联邦模型设置的针对所述第二事故预测结果的第二预测权重进行更新处理，以对所述联邦模型进行优化。
[0101]
在一个实施例中，所述目标车辆的模型损失值包含：所述目标车辆对应行驶预测模型的损失值，所述目标车辆对应操作预测模型的损失值，以及所述行驶预测模型及所述操作预测模型之间的交互损失值；
[0102]
所述关联的模型损失值包含：图像预测模型的损失值，所述传感预测模型的损失值，所述图像预测模型和所述传感预测模型之间的交互损失值，所述行驶预测模型和所述图像预测模型之间的交互损失值，所述行驶预测模型和所述传感预测模型之间的交互损失值，所述操作预测模型和所述图像预测模型之间的交互损失值，以及所述操作预测模型和所述传感预测模型之间的交互损失值。
[0103]
在一个实施例中，第一预测权重包含：所述行驶预测模型的预测权重，以及所述操作预测模型对应的预测权重；
[0104]
所述第二预测权重包含：所述图像预测模型的预测权重及所述传感预测模型对应的预测权重；
[0105]
其中，任一预测权重用于对相应预测模型的事故预测结果进行加权求和处理。
[0106]
在一个实施例中，所述获取单元401，具体用于：
[0107]
获取所述目标车辆的参考车辆的标识信息，所述目标车辆的参考车辆包含行驶在所述目标车辆之前的车辆和行驶在所述目标车辆之后的车辆中的一种或两种；
[0108]
基于所述标识信息，获取所述参考车辆的行驶数据序列和操作数据序列；
[0109]
将所述参考车辆的行驶数据序列和所述参考车辆的操作数据序列，作为目标数据序列。
[0110]
在一个实施例中，所述目标事故预测结果用于指示所述目标车辆出现交通事故的目标概率；所述处理单元402，还用于将所述目标事故预测结果指示所述目标车辆出现交通事故的目标概率与概率阈值进行对比；
[0111]
所述处理单元402，还用于在所述目标概率大于等于所述概率阈值时，输出交通提示信息，并根据所述交通提示信息降低所述目标车辆的行驶速度。
[0112]
在本技术实施例中，获取单元401可在获取到目标数据序列后，处理单元402可调用该目标车辆中的循环神经网络对该目标数据序列进行循环预测处理，得到该目标车辆的第一事故预测结果，以及从该目标车辆的关联设备中获取针对该目标车辆的第二事故预测结果，而在该处理单元402得到该第一事故预测结果和第二事故预测结果后，则可结合该第一事故预测结果和第二事故预测结果进行联合预测处理，得到该目标车辆的目标事故预测结果，从而可在进行事故预测时，将不仅结合该目标车辆采集的车辆行驶特征和操作对象的驾驶特征，还将结合道路摄像头的图像数据和传感测试等设备的传感数据，也就可提升预测结果的准确性，且实现了基于联邦学习的单车事故的预测，而基于联邦学习的隐私机制和模型构建方式，可有效利用联邦学习的隐私机制保护用户的数据安全，在数据不交互的前提下，实现对其他设备的数据的安全使用。
[0113]
请参见图5，是本发明实施例提供的一种计算机设备的结构示意性框图，该计算机设备即是指上述的目标车辆。如图5所示的本实施例中的计算机设备可包括：一个或多个处理器501；一个或多个输入设备502，一个或多个输出设备503和存储器504。上述处理器501、输入设备502、输出设备503和存储器504通过总线505连接。存储器504用于存储计算机程序，所述计算机程序包括程序指令，处理器501用于执行所述存储器504存储的程序指令。
[0114]
所述存储器504可以包括易失性存储器(volatile memory)，如随机存取存储器(random-access memory，ram)；存储器504也可以包括非易失性存储器(non-volatile memory)，如快闪存储器(flash memory)，固态硬盘(solid-state drive，ssd)等；存储器504还可以包括上述种类的存储器的组合。
[0115]
所述处理器501可以是中央处理器(central processing unit，cpu)。所述处理器501还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(application-specific integrated circuit，asic)，可编程逻辑器件(programmable logic device，pld)等。该pld可以是现场可编程逻辑门阵列(field-programmable gate array，fpga)，通用阵列逻辑(generic array logic，gal)等。所述处理器501也可以为上述结构的组合。
[0116]
本发明实施例中，所述存储器504用于存储计算机程序，所述计算机程序包括程序指令，处理器501用于执行存储器504存储的程序指令，用来实现上述如图2中相应方法的步骤。
[0117]
在一个实施例中，所述处理器501被配置调用所述程序指令，用于执行：
[0118]
获取目标数据序列，所述目标数据序列由所述目标车辆在行驶过程的不同行驶时刻产生的车辆数据构成；
[0119]
调用联邦模型中所述目标车辆对应的循环神经网络模型对所述目标数据序列进行循环预测处理，得到所述目标车辆的第一事故预测结果；所述联邦模型包含所述目标车辆的关联设备对应的循环神经网络模型；
[0120]
从所述关联设备中获取针对所述目标车辆的第二事故预测结果；所述第二事故预测结果是由所述关联设备采集的参考数据序列，并通过调用所述关联设备对应的循环神经网络模型对所述参考数据序列进行循环预测处理得到的；
[0121]
采用所述目标车辆的第一事故预测结果和所述第二事故预测结果进行联合预测处理，得到所述目标车辆的目标事故预测结果。
[0122]
在一个实施例中，所述处理器501被配置调用所述程序指令，用于执行：
[0123]
获取所述目标车辆的行驶数据序列及针对所述目标车辆的操作数据序列，并获取所述目标车辆的事故标签，所述事故标签包含标签生成时间，所述标签生成时间用于指示所述目标车辆出现事故的时刻；
[0124]
基于所述事故标签，以及所述事故标签包含的标签生成时间，将所述事故标签分别与所述行驶数据序列和所述操作数据序列进行关联；
[0125]
根据关联所述事故标签后的行驶数据序列，及关联所述事故标签后的操作数据序列生成所述目标数据序列。
[0126]
在一个实施例中，所述行驶数据序列由0～t时间段内的行驶数据构成，所述操作数据序列由0～t时间段内的操作数据构成，所述t》0，若所述事故标签的标签生成时间为t，且0《t《t；所述处理器501被配置调用所述程序指令，用于执行：
[0127]
根据所述事故标签的标签生成时间t，将所述事故标签与处于0～t时间段内的行驶数据序列进行关联，作为关联所述事故标签后的行驶数据序列，以及，根据所述事故标签的标签生成时间t，将所述事故标签与处于0～t时间段内的操作数据序列进行关联，并作为关联所述事故标签后的操作数据序列。
[0128]
在一个实施例中，所述处理器501被配置调用所述程序指令，用于执行：
[0129]
分别对关联所述事故标签后的行驶数据序列进行序列切分处理，以及关联所述事故标签后的操作数据序列进行序列切分处理，分别得到一个或多个行驶样本序列，以及一个或多个操作样本序列；
[0130]
将所述一个或多个行驶样本序列中的任一个，以及所述一个或多个操作样本序列中的任一个作为所述目标车辆的目标数据序列。
[0131]
在一个实施例中，所述联邦模型中的所述目标车辆对应的循环神经网络模型包含：所述目标车辆对应的行驶预测模型和所述目标车辆对应的操作预测模型，所述目标数据序列包含行驶样本序列和操作样本序列；所述处理器501被配置调用所述程序指令，用于执行：
[0132]
调用所述目标车辆对应的行驶预测模型对所述行驶样本序列进行循环预测处理，得到所述目标车辆的行驶事故预测结果；
[0133]
调用所述目标车辆对应的操作预测模型对所述操作样本序列进行循环预测处理，得到所述目标车辆的操作事故预测结果；
[0134]
将所述行驶事故预测结果和所述操作事故预测结果作为所述目标车辆的第一事故预测结果。
[0135]
在一个实施例中，所述目标车辆的关联设备包含图像采集设备和路侧传感器中的一个或两个，所述关联设备对应的循环神经网络模型包含图像预测模型和传感预测模型中的一个或两个；
[0136]
所述参考数据序列包含由所述图像采集设备采集的图像数据序列，以及由所述路侧传感器采集的传感数据序列中的一个或两个；
[0137]
从所述关联设备获取的第二事故预测结果则包含：由所述图像预测模型采用所述图像数据序列循环预测处理得到的图像事故预测结果，以及由所述传感预测模型采用所述传感数据序列循环预测处理得到的传感事故预测结果中的一个或两个。
[0138]
在一个实施例中，所述处理器501被配置调用所述程序指令，用于执行：
[0139]
对相应的预测模型的特征权重，隐藏层权重，隐藏层参数进行初始化处理；
[0140]
采用初始化的特征权重及初始化的隐藏层权重，对样本序列的首个样本和初始化的隐藏层参数进行加权求和处理，得到首个事故预测结果；
[0141]
将所述首个事故预测结果作为下一轮的隐藏层参数，并结合所述样本序列的第二个样本，以进行循环预测处理。
[0142]
在一个实施例中，所述处理器501被配置调用所述程序指令，用于执行：
[0143]
获取所述联邦模型中为所述第一事故预测结果设置的第一预测权重，以及为所述第二事故预测结果设置的第二预测权重；
[0144]
采用所述第一预测权重和所述第二预测权重分别对所述第一事故预测结果和所述第二事故预测结果进行加权求和处理，得到所述目标车辆的目标事故预测结果，所述目
标事故预测结果用于指示所述目标车辆出现交通事故的概率。
[0145]
在一个实施例中，所述处理器501被配置调用所述程序指令，用于执行：
[0146]
获取与所述目标车辆关联的事故标签；
[0147]
将与所述目标车辆关联的事故标签，与所述目标车辆的目标事故预测结果进行对比；
[0148]
采用对比结果，优化所述联邦模型，直至得到优化完成的联邦模型。
[0149]
在一个实施例中，所述处理器501被配置调用所述程序指令，用于执行：
[0150]
若所述对比结果指示所述事故标签与所述目标事故预测结果不同，则根据所述目标数据序列计算得到所述目标车辆的模型损失值，并采用梯度下降算法，对所述联邦模型设置的针对所述第一事故预测结果的第一预测权重进行更新处理；以及；
[0151]
将所述对比结果发送到所述关联设备中，以使所述关联设备根据所述对比结果和所述参考数据序列确定关联的模型损失值，并采用梯度下降算法和所述关联的模型损失值对所述联邦模型设置的针对所述第二事故预测结果的第二预测权重进行更新处理，以对所述联邦模型进行优化。
[0152]
在一个实施例中，所述目标车辆的模型损失值包含：所述目标车辆对应行驶预测模型的损失值，所述目标车辆对应操作预测模型的损失值，以及所述行驶预测模型及所述操作预测模型之间的交互损失值；
[0153]
所述关联的模型损失值包含：图像预测模型的损失值，所述传感预测模型的损失值，所述图像预测模型和所述传感预测模型之间的交互损失值，所述行驶预测模型和所述图像预测模型之间的交互损失值，所述行驶预测模型和所述传感预测模型之间的交互损失值，所述操作预测模型和所述图像预测模型之间的交互损失值，以及所述操作预测模型和所述传感预测模型之间的交互损失值。
[0154]
在一个实施例中，第一预测权重包含：所述行驶预测模型的预测权重，以及所述操作预测模型对应的预测权重；
[0155]
所述第二预测权重包含：所述图像预测模型的预测权重及所述传感预测模型对应的预测权重；
[0156]
其中，任一预测权重用于对相应预测模型的事故预测结果进行加权求和处理。
[0157]
在一个实施例中，所述处理器501被配置调用所述程序指令，用于执行：
[0158]
获取所述目标车辆的参考车辆的标识信息，所述目标车辆的参考车辆包含行驶在所述目标车辆之前的车辆和行驶在所述目标车辆之后的车辆中的一种或两种；
[0159]
基于所述标识信息，获取所述参考车辆的行驶数据序列和操作数据序列；
[0160]
将所述参考车辆的行驶数据序列和所述参考车辆的操作数据序列，作为目标数据序列。
[0161]
在一个实施例中，所述目标事故预测结果用于指示所述目标车辆出现交通事故的目标概率；所述处理器501被配置调用所述程序指令，用于执行：
[0162]
将所述目标事故预测结果指示所述目标车辆出现交通事故的目标概率与概率阈值进行对比；
[0163]
在所述目标概率大于等于所述概率阈值时，输出交通提示信息，并根据所述交通提示信息降低所述目标车辆的行驶速度。
[0164]
本发明实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述如图2所示的方法实施例。其中，所述的计算机可读存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random access memory，ram)等。
[0165]
以上所揭露的仅为本发明的局部实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或局部流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。