高速公路运营安全指数的量化评估方法、装置及服务器制造方法及图纸

本发明专利技术提供了一种高速公路运营安全指数的量化评估方法、装置及服务器，包括：获取目标高速公路中待评估路段对应的当前运营数据；基于当前运营数据与预设的多项致险因子之间的关联关系，确定每项致险因子对应的当前致险数据；通过预先训练得到的目标风险评估模型，基于当前致险数据确定多个风险类型对应的风险等级评估结果；根据风险类型中至少一个目标风险类型对应的风险等级评估结果，确定待评估路段对应的运营安全指数。本发明专利技术可以准确、可靠地对高速公路的运营安全指数进行量化评估。地对高速公路的运营安全指数进行量化评估。地对高速公路的运营安全指数进行量化评估。

【技术实现步骤摘要】
高速公路运营安全指数的量化评估方法、装置及服务器


[0001]本专利技术涉及数据处理
，尤其是涉及一种高速公路运营安全指数的量化评估方法、装置及服务器。

技术介绍

[0002]随着公路通车里程的增长，车辆保有量的增加，道路安全越来越重要，由于某些运营道路的设计及建造水平原因，环境及自然灾害造成的各类交通事故越来越多，因此对运营道路进行安全评估并对运营道路进行定向安全改造具有重要意义。目前，现有技术难以准确地、可靠地对高速公路的运营安全指数进行量化评估。

技术实现思路

[0003]有鉴于此，本专利技术的目的在于提供一种高速公路运营安全指数的量化评估方法、装置及服务器，可以准确、可靠地对高速公路的运营安全指数进行量化评估。
[0004]第一方面，本专利技术实施例提供了一种高速公路运营安全指数的量化评估方法，包括：获取目标高速公路中待评估路段对应的当前运营数据；基于所述当前运营数据与预设的多项致险因子之间的关联关系，确定每项所述致险因子对应的当前致险数据；通过预先训练得到的目标风险评估模型，基于所述当前致险数据确定多个风险类型对应的风险等级评估结果；根据所述风险类型中至少一个目标风险类型对应的所述风险等级评估结果，确定所述待评估路段对应的运营安全指数。
[0005]在一种实施方式中，所述基于所述当前运营数据与预设的多项致险因子之间的关联关系，确定每项所述致险因子对应的当前致险数据的步骤，包括：确定所述当前运营数据与预设的多项致险因子之间的关联关系；其中，所述致险因子包括驾驶员因子、车辆因子、气象因子、道路限速因子、道路线形因子、道路设施因子、道路施工因子、道路交通量因子、道路事故因子中的一种或多种；对于每项所述致险因子，从所述当前运营数据中，提取与该致险因子存在关联关系的目标运营数据，并基于所述目标运营数据确定该致险因子对应的当前致险数据。
[0006]在一种实施方式中，所述方法还包括：获取所述目标高速公路对应的历史运营数据；基于所述历史运营数据与每项所述致险因子之间的关联关系构建训练数据集；其中，所述训练数据集包括每项所述致险因子对应的历史致险数据和多个所述风险类型对应的风险等级标签，所述历史致险数据是基于与所述致险因子存在关联关系的所述历史运营数据确定得到的；利用所述训练数据集对初始风险评估模型进行训练，得到目标风险评估模型。
[0007]在一种实施方式中，所述初始风险评估模型包括输入层、隐含层和输出层；所述方法还包括：将所述致险因子的数量，确定为所述初始风险评估模型中所述输入层的输入神经元数量；以及将所述风险类型的数量，确定为所述初始风险评估模型中所述输出层的输入神经元数量；根据所述输入神经元数量和所述输入神经元数量，确定所述初始风险评估模型中所述隐含层的隐含神经元数量；或者，根据所述输入神经元数量、所述输入神经元数
量和所述训练数据集中的样本数量，确定所述初始风险评估模型中所述隐含层的隐含神经元数量。
[0008]在一种实施方式中，所述方法还包括：如果所述待评估路段内的施工路段发生变更，则动态更新所述训练数据集，并利用更新后的训练数据集更新所述目标风险评估模型。
[0009]在一种实施方式中，所述根据所述风险类型中至少一个目标风险类型对应的所述风险等级评估结果，确定所述待评估路段对应的运营安全指数的步骤，包括：从所述风险类型中确定至少一个目标风险类型和每个所述目标风险类型对应的权重；其中，所述风险类型包括环境类型、车辆类型、道路类型中的一种或多种；基于所述权重对每个所述目标风险类型对应的所述风险等级评估结果进行加权求和，得到所述待评估路段对应的运营安全指数。
[0010]在一种实施方式中，所述方法还包括：如果任一所述风险类型对应的所述风险等级评估结果大于预设等级阈值，生成所述待评估路段对应的第一告警提示；和/或，如果所述运营安全指数大于预设指数阈值，生成所述待评估路段对应的第二告警提示。
[0011]第二方面，本专利技术实施例还提供一种高速公路运营安全指数的量化评估装置，包括：运营数据获取模块，用于获取目标高速公路中待评估路段对应的当前运营数据；致险数据确定模块，用于基于所述当前运营数据与预设的多项致险因子之间的关联关系，确定每项所述致险因子对应的当前致险数据；风险等级评估模块，用于通过预先训练得到的目标风险评估模型，基于所述当前致险数据确定多个风险类型对应的风险等级评估结果；安全指数确定模块，用于根据所述风险类型中至少一个目标风险类型对应的所述风险等级评估结果，确定所述待评估路段对应的运营安全指数。
[0012]第三方面，本专利技术实施例还提供一种服务器，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现第一方面提供的任一项所述的方法。
[0013]第四方面，本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现第一方面提供的任一项所述的方法。
[0014]本专利技术实施例提供的一种高速公路运营安全指数的量化评估方法、装置及服务器，首先获取目标高速公路中待评估路段对应的当前运营数据，并基于当前运营数据与预设的多项致险因子之间的关联关系，确定每项致险因子对应的当前致险数据，再通过预先训练得到的目标风险评估模型，基于当前致险数据确定多个风险类型对应的风险等级评估结果，最后根据风险类型中至少一个目标风险类型对应的风险等级评估结果，确定待评估路段对应的运营安全指数。上述方法采集待评估路段的当前运营数据，并根据与致险因子存在关联关系的当前运营数据确定每项致险因子对应的当前致险数据，通过目标风险评估模型根据上述当前致险数据输出准确度较高的多个风险等级评估结果，从而可以得到准确度、可靠性较高的运营安全指数，进而实现准确、可靠地对高速公路的运营安全指数进行量化评估。
[0015]本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
[0016]为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0017]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术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专利技术的一些实施方式，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。
[0018]图1为本专利技术实施例提供的一种高速公路运营安全指数的量化评估方法的流程示意图；图2为本专利技术实施例提供的一种初始风险评估模型的结构示意图；图3为本专利技术实施例提供的另一种高速公路运营安全指数的量化评估方法的流程示意图；图4为本专利技术实施例提供的一种高速公路运营安全指数的量化评估装置的结构示意图；图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高速公路运营安全指数的量化评估方法，其特征在于，包括：获取目标高速公路中待评估路段对应的当前运营数据；基于所述当前运营数据与预设的多项致险因子之间的关联关系，确定每项所述致险因子对应的当前致险数据；通过预先训练得到的目标风险评估模型，基于所述当前致险数据确定多个风险类型对应的风险等级评估结果；根据所述风险类型中至少一个目标风险类型对应的所述风险等级评估结果，确定所述待评估路段对应的运营安全指数。2.根据权利要求1所述的方法，其特征在于，所述基于所述当前运营数据与预设的多项致险因子之间的关联关系，确定每项所述致险因子对应的当前致险数据的步骤，包括：确定所述当前运营数据与预设的多项致险因子之间的关联关系；其中，所述致险因子包括驾驶员因子、车辆因子、气象因子、道路限速因子、道路线形因子、道路设施因子、道路施工因子、道路交通量因子、道路事故因子中的一种或多种；对于每项所述致险因子，从所述当前运营数据中，提取与该致险因子存在关联关系的目标运营数据，并基于所述目标运营数据确定该致险因子对应的当前致险数据。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取所述目标高速公路对应的历史运营数据；基于所述历史运营数据与每项所述致险因子之间的关联关系构建训练数据集；其中，所述训练数据集包括每项所述致险因子对应的历史致险数据和多个所述风险类型对应的风险等级标签，所述历史致险数据是基于与所述致险因子存在关联关系的所述历史运营数据确定得到的；利用所述训练数据集对初始风险评估模型进行训练，得到目标风险评估模型。4.根据权利要求3所述的方法，其特征在于，所述初始风险评估模型包括输入层、隐含层和输出层；所述方法还包括：将所述致险因子的数量，确定为所述初始风险评估模型中所述输入层的输入神经元数量；以及将所述风险类型的数量，确定为所述初始风险评估模型中所述输出层的输入神经元数量；根据所述输入神经元数量和所述输入神经元数量，确定所述初始风险评估模型中所述隐含层的隐含神经元数量；或者，根据所述输入神经元数量、所述输入神经元数量和所述训练数据集中的样本数量，确定所...

【专利技术属性】
技术研发人员：张国芳，果希光，赵晨阳，
申请(专利权)人：北京迈道科技有限公司，
类型：发明
国别省市：