高危路口检测方法、检测模型建立方法、装置、电子设备和可读存储介质制造方法及图纸

本申请提供的高危路口检测方法、检测模型建立方法、装置、电子设备和可读存储介质，通过获取路口的路口特征以及与路口具有链接关系的节点的节点特征，在此基础上获得节点与路口之间、节点之间的链接信息。基于路口特征、节点特征以及链接信息，并通过预先训练得到的检测模型进行检测得到检测结果，根据检测结果判别路口是否为高危路口。该方案中结合节点特征、路口特征以及节点和路口之间、节点之间的链接信息，进行路口的检测判别，以节点和路口构成的图网络的信息进行检测判别，综合考虑了路口和节点单独的特征以及相互之间的关系，提高检测判别的准确性。

【技术实现步骤摘要】
高危路口检测方法、检测模型建立方法、装置、电子设备和可读存储介质
本申请涉及机器学习
，具体而言，涉及一种高危路口检测方法、检测模型建立方法、装置、电子设备和可读存储介质。
技术介绍
通过对历史交通事故数据的统计分析，发现大部分的交通事故，或者是说较为严重的交通事故，大多发生的道路路口处，例如十字路口、丁字路口等。因此，如何基于路口处的相关信息来对路口的情况进行检测、评估，以判定路口的危险情况，从而在司机将要到达危险性较高的路口时，提前对司机进行提醒十分重要。目前，对路口的危险情况进行检测大多是基于机器学习的方法进行，但是目前的检测方法中多是对路口处的节点及其特征进行统计，例如商场、道路、医院、学校等，单纯的历史统计值难以体现出实际的人流、车流情况等，导致得到的检测结果与实际情况相差较远，检测准确率低。
技术实现思路
有鉴于此，本申请的目的在于提供一种高危路口检测方法、检测模型建立方法、装置、电子设备和可读存储介质，能够通过综合考虑路口和节点单独特征以及相互之间的关系，达到提高检测判别的准确性的效果。第一方面，本专利技术实施例提供一种高危路口检测方法，所述方法包括：获取待检测路口的路口特征，以及与所述待检测路口具有链接关系的各个节点的节点特征；获得各所述节点与所述待检测路口之间的链接信息，以及节点之间的链接信息；将所述路口特征、各所述节点特征、各所述节点与所述待检测路口之间的链接信息以及节点之间的链接信息，导入预先训练得到的检测模型进行检测得到检测结果；根据所述检测结果判别所述待检测路口是否为高危路口。在可选的实施方式中，所述获得各所述节点与所述待检测路口之间的链接信息的步骤，包括：获得各所述节点的位置信息以及所述待检测路口的位置信息；针对每个所述节点，根据所述节点的位置信息和所述待检测路口的位置信息获得所述节点与所述待检测路口之间的距离以及所述节点相对于所述待检测路口的方位角；根据所述距离和所述方位角，得到所述节点与所述待检测路口之间的链接信息。在可选的实施方式中，所述获取待检测路口的路口特征的步骤，至少包括以下步骤之一：获取待检测路口的路口类型；或获取历史时段内，在距离待检测路口预设范围内由服务需求方发起的服务请求次数；或获取待检测路口处的红绿灯信息。在可选的实施方式中，所述节点包括道路节点，所述道路节点的节点特征包括道路宽度、道路长度、道路类型、道路相对于路口的角度以及历史时段内统计得到的道路上的车辆的平均速度中的至少一种。在可选的实施方式中，所述节点包括POI信息节点，所述POI信息节点的节点特征包括POI信息节点的节点类型、历史时段内在距离所述POI信息节点预设范围内由服务需求方发起的服务请求次数、历史时段内所述POI信息节点处的人流量中的至少一种。在可选的实施方式中，所述检测模型包含第一判别器，所述将所述路口特征、各所述节点特征、各所述节点与所述待检测路口之间的链接信息以及节点之间的链接信息，导入预先训练得到的检测模型进行检测得到检测结果的步骤，包括：通过所述检测模型包含的第一判别器中的编码器，根据所述待检测路口的路口特征和各所述节点的节点特征，得到对应的路口特征向量和节点特征向量；通过所述第一判别器包含的聚合层，根据各所述节点与所述待检测路口之间的链接信息以及节点之间的链接信息对所述路口特征向量和节点特征向量进行聚合处理，得到所述待检测路口的图向量；通过所述第一判别器包含的分类层，对所述图向量进行分类处理，得到所述待检测路口的检测结果。在可选的实施方式中，所述方法还包括：获取服务提供方的行驶导航信息；在所述行驶导航信息中包含判定为高危路口的路口时，向所述服务提供方发送提示信息。在可选的实施方式中，在所述行驶导航信息中包含判定为高危路口的路口时，向所述服务提供方发送提示信息的步骤，包括：在所述行驶导航信息中包含判定为高危路口的路口时，基于所述路口的位置信息以及所述服务提供方的实时位置信息，以在所述服务提供方相距所述路口的距离小于预设值时，向所述服务提供方发送提示信息。第二方面，本专利技术实施例提供一种检测模型建立方法，所述检测模型用于进行高危路口检测，所述方法包括：构建网络模型，所述网络模型包括第一判别器和第二判别器；获取训练样本集，针对所述训练样本集中的任一目标训练样本，从所述训练样本集中随机选取一个训练样本作为所述目标训练样本的匹配训练样本；利用所述目标训练样本对所述第一判别器进行训练，并利用所述目标训练样本和所述匹配训练样本对所述第二判别器进行训练，以得到满足预设条件的检测模型。在可选的实施方式中，所述第一判别器和所述第二判别器包含共用的编码器，所述利用所述目标训练样本对所述第一判别器进行训练，并利用所述目标训练样本和所述匹配训练样本对所述第二判别器进行训练，以得到满足预设条件的检测模型的步骤，包括：通过所述编码器获得所述目标训练样本的特征向量以及所述匹配训练样本的特征向量；通过所述第一判别器的聚合层对所述目标训练样本的特征向量进行聚合处理，得到图向量；根据所述图向量对所述第一判别器进行训练，并根据所述图向量、所述目标训练样本的特征向量及所述匹配训练样本的特征向量对所述第二判别器进行训练，以得到满足预设条件的检测模型。在可选的实施方式中，所述根据所述图向量对所述第一判别器进行训练的步骤，包括：根据所述图向量并通过所述第一判别器包含的分类层得到所述目标训练样本的分类标签；比对所述目标训练样本携带的标记标签和得到的分类标签，以调整所述第一判别器的模型参数后继续训练，直至满足预设条件时，得到训练完成的第一判别器。在可选的实施方式中，所述根据所述图向量、所述目标训练样本的特征向量及所述匹配训练样本的特征向量对所述第二判别器进行训练的步骤，包括：将所述图向量和所述目标训练样本的特征向量导入所述第二判别器包含的分类层得到第一判别结果；将所述图向量和所述匹配训练样本的特征向量导入所述第二判别器包含的分类层得到第二判别结果；调整所述第二判别器的模型参数，以使所述第一判别结果表明所述图向量和所述目标训练样本的特征向量来自同一训练样本、所述第二判别结果表明所述图向量和所述匹配训练样本的特征向量来自不同的训练样本。在可选的实施方式中，所述预设条件为基于所述第一判别器构建的第一损失函数和基于所述第二判别器构建的第二损失函数共同构成的多任务损失函数的值不再降低达到收敛。第三方面，本专利技术实施例提供一种高危路口检测装置，所述装置包括：特征获取模块，用于获取待检测路口的路口特征，以及与所述待检测路口具有链接关系的各个节点的节点特征；信息获得模块，用于获得各所述节点与所述待检测路口之间的链接信息，以及节点之间的链接信息；检测模块，用于将所述路口特征、各所述节点特征、各所述节点与所述待检本文档来自技高网...

【技术保护点】
1.一种高危路口检测方法，其特征在于，所述方法包括：/n获取待检测路口的路口特征，以及与所述待检测路口具有链接关系的各个节点的节点特征；/n获得各所述节点与所述待检测路口之间的链接信息，以及节点之间的链接信息；/n将所述路口特征、各所述节点特征、各所述节点与所述待检测路口之间的链接信息以及节点之间的链接信息，导入预先训练得到的检测模型进行检测得到检测结果；/n根据所述检测结果判别所述待检测路口是否为高危路口。/n

【技术特征摘要】
1.一种高危路口检测方法，其特征在于，所述方法包括：
获取待检测路口的路口特征，以及与所述待检测路口具有链接关系的各个节点的节点特征；
获得各所述节点与所述待检测路口之间的链接信息，以及节点之间的链接信息；
将所述路口特征、各所述节点特征、各所述节点与所述待检测路口之间的链接信息以及节点之间的链接信息，导入预先训练得到的检测模型进行检测得到检测结果；
根据所述检测结果判别所述待检测路口是否为高危路口。


2.根据权利要求1所述的高危路口检测方法，其特征在于，所述获得各所述节点与所述待检测路口之间的链接信息的步骤，包括：
获得各所述节点的位置信息以及所述待检测路口的位置信息；
针对每个所述节点，根据所述节点的位置信息和所述待检测路口的位置信息获得所述节点与所述待检测路口之间的距离以及所述节点相对于所述待检测路口的方位角；
根据所述距离和所述方位角，得到所述节点与所述待检测路口之间的链接信息。


3.根据权利要求1所述的高危路口检测方法，其特征在于，所述获取待检测路口的路口特征的步骤，至少包括以下步骤之一：
获取待检测路口的路口类型；或
获取历史时段内，在距离待检测路口预设范围内由服务需求方发起的服务请求次数；或
获取待检测路口处的红绿灯信息。


4.根据权利要求1所述的高危路口检测方法，其特征在于，所述节点包括道路节点，所述道路节点的节点特征包括道路宽度、道路长度、道路类型、道路相对于路口的角度以及历史时段内统计得到的道路上的车辆的平均速度中的至少一种。


5.根据权利要求1所述的高危路口检测方法，其特征在于，所述节点包括POI信息节点，所述POI信息节点的节点特征包括POI信息节点的节点类型、历史时段内在距离所述POI信息节点预设范围内由服务需求方发起的服务请求次数、历史时段内所述POI信息节点处的人流量中的至少一种。


6.根据权利要求1所述的高危路口检测方法，其特征在于，所述检测模型包含第一判别器，所述将所述路口特征、各所述节点特征、各所述节点与所述待检测路口之间的链接信息以及节点之间的链接信息，导入预先训练得到的检测模型进行检测得到检测结果的步骤，包括：
通过所述检测模型包含的第一判别器中的编码器，根据所述待检测路口的路口特征和各所述节点的节点特征，得到对应的路口特征向量和节点特征向量；
通过所述第一判别器包含的聚合层，根据各所述节点与所述待检测路口之间的链接信息以及节点之间的链接信息对所述路口特征向量和节点特征向量进行聚合处理，得到所述待检测路口的图向量；
通过所述第一判别器包含的分类层，对所述图向量进行分类处理，得到所述待检测路口的检测结果。


7.根据权利要求1-6任意一项所述的高危路口检测方法，其特征在于，所述方法还包括：
获取服务提供方的行驶导航信息；
在所述行驶导航信息中包含判定为高危路口的路口时，向所述服务提供方发送提示信息。


8.根据权利要求7所述的高危路口检测方法，其特征在于，在所述行驶导航信息中包含判定为高危路口的路口时，向所述服务提供方发送提示信息的步骤，包括：
在所述行驶导航信息中包含判定为高危路口的路口时，基于所述路口的位置信息以及所述服务提供方的实时位置信息，以在所述服务提供方相距所述路口的距离小于预设值时，向所述服务提供方发送提示信息。


9.一种检测模型建立方法，所述检测模型用于进行高危路口检测，其特征在于，所述方法包括：
构建网络模型，所述网络模型包括第一判别器和第二判别器；
获取训练样本集，针对所述训练样本集中的任一目标训练样本，从所述训练样本集中随机选取一个训练样本作为所述目标训练样本的匹配训练样本；
利用所述目标训练样本对所述第一判别器进行训练，并利用所述目标训练样本和所述匹配训练样本对所述第二判别器进行训练，以得到满足预设条件的检测模型。


10.根据权利要求9所述的检测模型建立方法，其特征在于，所述第一判别器和所述第二判别器包含共用的编码器，所述利用所述目标训练样本对所述第一判别器进行训练，并利用所述目标训练样本和所述匹配训练样本对所述第二判别器进行训练，以得到满足预设条件的检测模型的步骤，包括：
通过所述编码器获得所述目标训练样本的特征向量以及所述匹配训练样本的特征向量；
通过所述第一判别器的聚合层对所述目标训练样本的特征向量进行聚合处理，得到图向量；
根据所述图向量对所述第一判别器进行训练，并根据所述图向量、所述目标训练样本的特征向量及所述匹配训练样本的特征向量对所述第二判别器进行训练，以得到满足预设条件的检测模型。


11.根据权利要求10所述的检测模型建立方法，其特征在于，所述根据所述图向量对所述第一判别器进行训练的步骤，包括：
根据所述图向量并通过所述第一判别器包含的分类层得到所述目标训练样本的分类标签；
比对所述目标训练样本携带的标记标签和得到的分类标签，以调整所述第一判别器的模型参数后继续训练，直至满足预设条件时，得到训练完成的第一判别器。


12.根据权利要求10所述的检测模型建立方法，其特征在于，所述根据所述图向量、所述目标训练样本的特征向量及所述匹配训练样本的特征向量对所述第二判别器进行训练的步骤，包括：
将所述图向量和所述目标训练样本的特征向量导入所述第二判别器包含的分类层得到第一判别结果；
将所述图向量和所述匹配训练样本的特征向量导入所述第二判别器包含的分类层得到第二判别结果；
调整所述第二判别器的模型参数，以使所述第一判别结果表明所述图向量和所述目标训练样本的特征向量来自同一训练样本、所述第二判别结果表明所述图向量和所述匹配训练样本的特征向量来自不同的训练样本。


13.根据权利要求9所述的检测模型建立方法，其特征在于，所述预设条件为基于所述第一判别器构建的第一损失函数和基于所述第二判别器构建的第二损失函数共同构成的多任务损失函数的值不再降低达到收敛。


14.一种高危路口检测装置，其特征在于，所述装置包括：
特征获取模块，用于获取待检测路口的路口特征，以及与所述待检测路口具有链接关系的各个节点的节点特征；<...

【专利技术属性】
技术研发人员：薄琳，
申请(专利权)人：北京嘀嘀无限科技发展有限公司，
类型：发明
国别省市：北京;11