交通事故预测模型的训练方法、交通事故预测方法及装置与流程

本技术涉及交通，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：

1、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。

技术实现思路

1、本技术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。

2、具体的技术方案如下：

3、第一方面，本技术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：

4、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；

5、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；

6、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；

7、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、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。

9、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：

10、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。

11、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：

12、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；

13、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；

14、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。

15、第二方面，本技术实施例提供了一种交通事故预测方法，所述方法包括：

16、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；

17、提取所述准实时交通数据的多个交通特征；

18、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。

19、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；

20、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。

21、第三方面，本技术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：

22、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；

23、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；

24、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；

25、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。

26、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。

27、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。

28、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。

29、第四方面，本技术实施例提供了一种交通事故预测装置，所述装置包括：

30、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；

31、提取单元，用于提取所述准实时交通数据的多个交通特征；

32、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。

33、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；

34、所述装置还包括：

35、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。

36、第五方面，本技术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。

37、第六方面，本技术实施例提供了一种电子设备，电子设备包括：

38、一个或多个处理器；

39、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；

40、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。

41、第七方面，本技术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。

42、本技术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，本技术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，本技术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。

43、本技术实施例的创新点至少包括：

44、(1)本技术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，本技术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。

45、(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。

46、(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。

47、(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。