交通事故识别方法、装置、设备和计算机存储介质制造方法及图纸

本申请公开了一种交通事故识别方法、装置、设备和计算机存储介质，涉及智能交通和大数据技术领域。具体实现方案为：获取道路特征、环境特征和道路上的车流特征；将所述道路特征、环境特征和道路上的车流特征输入预先训练得到的交通事故识别模型，得到所述道路上的事故信息识别结果，所述道路上的事故信息识别结果至少包括是否发生事故的识别结果。本申请能够依据道路特征、环境特征和道路上的车流特征，自动识别出道路上是否发生事故。相比较传统人工上报的方式，时效性更强、覆盖率更高。

【技术实现步骤摘要】
交通事故识别方法、装置、设备和计算机存储介质
本申请涉及计算机应用
，特别涉及智能交通和大数据

技术介绍
交通事故可能会对整个交通网络产生冲击，让原本通畅的交通变得拥堵，让原本宽敞的道路变得无法通行，让用户原本的出行计划变得不可实现。因此，很多司机都宁愿多绕路也要尽量避开交通事故发生地。如果无法避开前方事故发生地，但若能尽早知道事故发生的位置和状态，也能提前做好变道准备，尽快驶离现场。因此，一个时效性强、覆盖率高的交通事故发现能力将给用户带来极大的帮助。
技术实现思路
有鉴于此，本申请旨在提供一种时效性强、覆盖率高的交通事故识别方法、装置、设备和计算机存储介质。第一方面，本申请提供了一种交通事故识别方法，包括：获取道路特征、环境特征和道路上的车流特征；将所述道路特征、环境特征和道路上的车流特征输入预先训练得到的交通事故识别模型，得到所述道路上的事故信息识别结果，所述道路上的事故信息识别结果至少包括是否发生事故的识别结果。第二方面，本申请提供了一种训练交通事故识别模型的方法，包括本文档来自技高网...

【技术保护点】
1.一种交通事故识别方法，包括：/n获取道路特征、环境特征和道路上的车流特征；/n将所述道路特征、环境特征和道路上的车流特征输入预先训练得到的交通事故识别模型，得到所述道路上的事故信息识别结果，所述道路上的事故信息识别结果至少包括是否发生事故的识别结果。/n

【技术特征摘要】
1.一种交通事故识别方法，包括：
获取道路特征、环境特征和道路上的车流特征；
将所述道路特征、环境特征和道路上的车流特征输入预先训练得到的交通事故识别模型，得到所述道路上的事故信息识别结果，所述道路上的事故信息识别结果至少包括是否发生事故的识别结果。


2.根据权利要求1所述的方法，其中，所述交通事故识别模型利用第一编码器、第二编码器和第三编码器分别对所述道路特征、环境特征和道路上的车流特征进行编码映射，得到所述道路特征的向量表示、环境特征的向量表示和道路上车流特征的向量表示；
所述交通事故识别模型中的事故识别子任务模型利用所述道路特征的向量表示、环境特征的向量表示和道路上车流特征的向量表示进行分类，得到所述道路是否发生事故的识别结果。


3.根据权利要求2所述的方法，其中，所述事故信息识别结果还包括发生事故的车道信息；
该方法还包括：
所述交通事故识别模型中的车道识别子任务模型利用所述道路特征的向量表示、环境特征的向量表示和道路上车流特征的向量表示进行分类，得到发生事故的车道信息。


4.根据权利要求2所述的方法，还包括：获取道路所在区域的车流特征；
所述事故信息识别结果还包括所述道路上事故的拥堵持续时长信息；
所述交通事故识别模型还利用第四编码器对所述道路所在区域的车流特征进行编码映射，得到区域车流特征的向量表示；所述交通事故识别模型中的持续时长预测子任务模型利用所述道路特征的向量表示、环境特征的向量表示、道路上车流特征的向量表示和所述区域车流特征的向量表示进行回归预测，得到所述道路上事故的拥堵持续时长信息。


5.根据权利要求1至4中任一项所述的方法，所述道路特征包括以下至少一种：道路等级、道路速度等级、道路宽度等级、道路行驶方向等级和道路长度等级；
所述环境特征包括时间特征和天气特征中的至少一种；
所述道路上的车流特征包括所述道路上的车辆汇流角度特征和车流量特征中的至少一种，其中所述车辆汇流角度特征由道路上车辆速度方向与道路夹角的差值得到。


6.根据权利要求4所述的方法，其中，所述道路所在区域的车流特征包括：所述区域所包含各子区域的车流量特征；
所述车流量特征由所述子区域内的道路拥堵系数加权道路长度的平均值表示。


7.一种训练交通事故识别模型的方法，包括：
从历史交通事故记录中获取第一训练样本，所述第一训练样本包括标注为发生事故的道路的道路特征、环境特征和道路上的车流特征作为正样本，标注为未发生事故的道路的道路特征、环境特征和道路上的车流特征作为负样本；
利用所述正样本和负样本训练得到所述交通事故识别模型，所述交通事故识别模型能够依据道路特征、环境特征和道路上的车流特征得到对应道路上的事故信息识别结果，所述事故信息识别结果至少包括是否发生事故的识别结果。


8.根据权利要求7所述的方法，其中，所述交通事故识别模型包括第一编码器、第二编码器、第三编码器和事故识别子任务模型；
所述第一编码器，用于对道路特征进行编码映射，得到道路特征的向量表示；
所述第二编码器，用于对环境特征进行编码映射，得到环境特征的向量表示；
所述第三编码器，用于对道路上的车流特征进行编码映射，得到道路上的车流特征的向量表示；
所述事故识别子任务模型，用于利用道路特征的向量表示、环境特征的向量表示和道路上车流特征的向量表示进行分类，得到对应道路是否发生事故的识别结果；
利用所述第一训练样本对所述第一编码器、第二编码器、第三编码器和事故识别子任务模型进行训练，训练目标为：所述事故识别子任务模型的识别结果与所述第一训练样本中对应的标注一致。


9.根据权利要求8所述的方法，还包括：
从所述历史交通事故记录中获取第二训练样本，所述第二训练样本包括发生事故的道路特征、环境特征、道路上的车流特征以及对发生事故的车道信息的标注；
所述交通事故识别模型还包括：车道识别子任务模型；
所述车道识别子任务模型，用于利用道路特征的向量表示、环境特征的向量表示和道路上车流特征的向量表示进行分类，得到发生事故的车道信息；
利用所述第二训练样本对所述第一编码器、第二编码器、第三编码器和所述车道识别子任务模型进行训练，训练目标为：所述车道识别子任务模型的分类结果与所述第二训练样本中对应的标注一致。


10.根据权利要求8所述的方法，还包括：
从所述历史交通事故记录中获取第三训练样本，所述第三训练样本包括：发生事故的道路特征、环境特征、道路上的车流特征、道路所在区域的车流特征以及对事故的拥堵持续时长信息的标注；
所述交通事故识别模型还包括：第四编码器和持续时长预测子任务模型；
所述第四编码器，用于对道路所在区域的车流特征进行编码映射，得到区域车流特征的向量表示；
所述持续时长预测子任务模型，用于利用道路特征的向量表示、环境特征的向量表示、道路上车流特征的向量表示和区域车流特征的向量表示进行回归预测，得到对应道路上事故的拥堵持续时长信息；
利用所述第三训练样本对所述第一编码器、第二编码器、第三编码器、第四编码器和持续时长预测子任务模型进行训练，训练目标为：所述持续时长预测子任务模型的预测结果与所述第三训练样本中对应的标注一致。


11.根据权利要求9或10所述的方法，其中，若所述交通事故识别模型包括两个以上的子任务模型，则在训练的每轮迭代中选择一个子任务模型以及该子任务模型对应的训练样本进行训练，直至各子任务模型均达到训练目标。


12.根据权利要求11所述的方法，其中，所述在训练的每轮迭代中选择一个子任务模型以及该子任务模型对应的训练样本进行训练时，随机选择一个子任务模型或交替选择一个子任务模型，再从选择的子任务模型对应的训练样本中随机抽取或依次抽取训练样本。


13.根据权利要求7至10中任一项所述的方法，其中，所述道路特征包括以下至少一种：道路等级、道路速度等级、道路宽度等级、道路行驶方向等级和道路长度等级；
所述环境特征包括时间特征和天气特征中的至少一种；
所述道路上的车流特征包括所述道路上的车辆汇流角度特征和车流量特征中的至少一种，其中所述车辆汇流角度特征由道路上车辆速度方向与道路夹角的差值得到。


14.根据权利要求10所述的方法，其中，所述道路所在区域的车流特征包括：所述区域所包含各子区域的车流量特征；
所述车流量特征由所述子区域内的道路拥堵系数加权道路长度的平均值表示。


15.一种交通事故识别装置，包括：
获取单元，用于获取道路特征、环境特征和道路上的车流特征；
识别单元，用于将所述道路特征、环境特征和道路上的车流特征输入预先训练得到的交通事故识别模型，得到所述道路上的事故信息识别结果，所述道路上的事故信息识别结果至少包括是否发生事故的识别结果。


16.根据权...

【专利技术属性】
技术研发人员：黄际洲，王海峰，张昊，范淼，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11