模型训练方法和装置、交通事件发生概率评估方法和装置制造方法及图纸

本公开提供了模型训练方法和装置、交通事件发生概率评估方法和装置。方法包括：输入待进行预设道路交通事件发生概率评估的目标地点；针对目标地点划分时间切片；获取目标时间切片对应的目标道路交通数据；以第一时间为时间窗口，第一频率为时间窗口的更新频率，通过将目标时空切片对应的目标道路交通数据输入第一神经网络模型进行处理，输出目标道路的路段风险预测值序列；将目标道路的路段风险预测值序列和目标地点的路网拓扑数据输入第二神经网络模型，第二神经网络模型用于对交通事件发生概率进行评估；以及生成预设道路的交通事件发生概率。本发明专利技术可应用于交通领域，对交通事件的发生进行快速和精准的检测，降低了交通事件的误报和漏报概率。事件的误报和漏报概率。事件的误报和漏报概率。

【技术实现步骤摘要】
模型训练方法和装置、交通事件发生概率评估方法和装置


[0001]本公开涉及计算机
，更具体地，涉及一种模型训练方法和装置、交通事件发生概率评估方法和装置，以及相应的计算机可读存储介质和计算机程序产品。

技术介绍

[0002]交通事件在城市道路和高速公路上都常有发生。诸如多车事故、大型车辆侧翻之类的严重的交通事件可能带来严重的交通拥堵，导致周边路网通行效率严重降低，进而会带来严重的交通安全隐患，增加次级事故发生的几率，同时造成较大的经济影响和财产损失。相关路段交通事件检测方法主要借助于视频设备识别和交通状态变化的感知。
[0003]对于使用视频设备的检测方法，设备的位置固定，只能在设备周围几十米范围内保证事件检测的准确率。若需要覆盖区域路网或高速路网，则只能通过扩展设备点位的方式实现，成本极高。
[0004]对于使用交通状态变化的感知的相关方法，通常都只以事后的一个时间片上的交通信息、车辆信息为基础进行识别。由于交通状态的推演需要一定时间，此类方法的快速响应能力有限；同时交通状态的推演跟环境、事件类型等关系紧密，交通状态的变化有很强的随机性，因此这类方法的漏报和误报情形较多。

技术实现思路

[0005]有鉴于此，本公开提供了模型训练方法和装置、交通事件发生概率评估方法和装置，以及相应的计算机可读存储介质和计算机程序产品，可以缓解、减轻或甚至消除上述问题。
[0006]根据本公开的第一方面，提供了一种模型训练方法，其特征在于，所述方法包括：获取预设时间段内预设路段中的道路交通数据，所述道路交通数据至少包括车辆轨迹数据和路网拓扑数据；将所述道路交通数据划分到多个时空切片中，得到所述多个时空切片中每个时空切片对应的子道路交通数据，所述每个时空切片与在时间维度上针对所述预设时间段划分的一个时间切片、和在空间维度上针对所述预设路段划分的一个空间切片相对应；将每个时空切片对应的子道路交通数据输入第一神经网络模型，所述第一神经网络模型的网络参数包括与时空切片相关的地理加权值，第一神经网络模型对该时空切片对应的子道路交通数据进行处理，输出所述子道路的路段风险预测值；以及对所述第一神经网络模型进行训练，使得所述路段风险预测值相对于路段风险预测值真值标签的误差最小，其中，所述路段风险预测值指示该时空切片所对应的空间切片上、任意两个或多个车辆在所述时空切片对应的时间切片的下一时间切片上发生碰撞的概率。
[0007]在一些实施例中，所述道路交通数据还包括气象数据，所述气象数据针对多个分区进行划分，所述多个分区中的每一个与所述预设路段具有映射关系。
[0008]在一些实施例中，所述子道路交通数据包括针对所述子道路的车辆轨迹数据，所述针对所述子道路的车辆轨迹数据是基于所述预设时间段和所述预设路段针对车辆轨迹
数据以预定采样率进行采样得到的。
[0009]在一些实施例中，所述车辆轨迹数据在输入所述第一神经网络模型前预先经过筛选处理，所述筛选包括：基于预定阈值删除所述车辆轨迹数据中的异常值。
[0010]在一些实施例中，所述车辆轨迹数据在输入所述第一神经网络模型前预先经过平滑处理，所述平滑包括：响应于在所述预定采样率的整数倍时间内缺失所述车辆轨迹数据，对该时间段内的车辆轨迹数据进行补全。
[0011]在一些实施例中，所述路网拓扑数据至少包括：所述预设路段内的所有车辆通过所述预设路段的平均通过速度、车辆速度方差、紧急加速次数、紧急加速幅度、紧急减速次数、紧急减速幅度中的一个或多个。
[0012]根据本公开的第二方面，提供了一种第一神经网络模型，其特征在于，第一神经网络模型包括：输入层、隐藏层和输出层；所述输入层、隐藏层和输出层各自包括网络参数，并且所述网络参数包括与时空切片相关的地理加权值，所述时空切片中的每一个与在时间维度上针对预设时间段划分的一个时间切片、和在空间维度上针对预设路段划分的一个空间切片相对应；以及其中所述第一神经网络模型经过如第一方面所述的模型训练方法进行训练。
[0013]根据本公开的第三方面，提供了一种交通事件发生概率的评估方法，其特征在于，所述方法包括：输入待进行预设道路交通事件发生概率评估的目标地点；针对所述目标地点划分时间切片；获取与所述目标地点和所述时间切片对应的目标道路交通数据；以第一时间为时间窗口，以第一频率为所述时间窗口的更新频率，通过将所述目标时空切片对应的目标道路交通数据输入如第二方面所述的第一神经网络模型进行处理，输出所述目标道路的路段风险预测值序列；将所述目标道路的路段风险预测值序列和目标地点的路网拓扑数据输入第二神经网络模型，所述第二神经网络模型用于对所述交通事件发生概率进行评估；以及生成预设道路的交通事件发生概率。
[0014]在一些实施例中，所述第二神经网络模型为用于时间序列处理的经过预训练的二分类模型，所述第二神经网络模型预先以历史路段风险时间序列作为输入，以历史道路交通事件发生概率作为输出标签训练。
[0015]在一些实施例中，所述第一神经网络模型以用于模型更新的第二频率进行重新训练以对所述神经网络模型中的参数进行更新，所述模型更新频率小于所述时间窗口更新第一频率。
[0016]根据本公开的第四方面，提供了一种模型训练装置，其特征在于，所述装置包括：获取模块，被配置成获取预设时间段内预设路段中的道路交通数据，所述道路交通数据至少包括车辆轨迹数据和路网拓扑数据；划分模块，被配置成将所述道路交通数据划分到多个时空切片中，得到所述多个时空切片中每个时空切片对应的子道路交通数据，所述每个时空切片与在时间维度上针对所述预设时间段划分的一个时间切片、和在空间维度上针对所述预设路段划分的一个空间切片相对应；输入模块，被配置成将每个时空切片对应的子道路交通数据输入第一神经网络模型，所述第一神经网络模型的网络参数包括与时空切片相关的地理加权值，第一神经网络模型对该时空切片对应的子道路交通数据进行处理，输出所述子道路的路段风险预测值；以及训练模块，被配置成对所述第一神经网络模型进行训练，使得所述路段风险预测值相对于路段风险预测值真值标签的误差最小；其中，所述路
段风险预测值指示该时空切片所对应的空间切片上、任意两个或多个车辆在所述时空切片对应的时间切片的下一时间切片上发生碰撞的概率。
[0017]根据本公开的第五方面，提供了一种交通事件发生概率的评估装置，其特征在于，所述装置包括：输入模块，被配置成输入待进行预设道路交通事件发生概率评估的目标地点；划分模块，被配置成针对所述目标地点划分时间切片；获取模块，被配置成获取与所述目标地点和所述时间切片对应的目标道路交通数据；风险预测值序列生成模块，被配置成以第一时间为时间窗口，以第一频率为所述时间窗口的更新频率，通过将所述目标时空切片对应的目标道路交通数据输入如第二方面所述的第一神经网络模型进行处理，输出所述目标道路的路段风险预测值序列；评估模块，被配置成将所述目标道路的路段风险预测值序列和目标地点的路网拓扑数据输入第二神经网络模型，所述第二神经网络模型用于对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，所述方法包括：获取预设时间段内预设路段中的道路交通数据，所述道路交通数据至少包括车辆轨迹数据和路网拓扑数据；将所述道路交通数据划分到多个时空切片中，得到所述多个时空切片中每个时空切片对应的子道路交通数据，所述每个时空切片与在时间维度上针对所述预设时间段划分的一个时间切片、和在空间维度上针对所述预设路段划分的一个空间切片相对应；将每个时空切片对应的子道路交通数据输入第一神经网络模型，所述第一神经网络模型的网络参数包括与时空切片相关的地理加权值，第一神经网络模型对该时空切片对应的子道路交通数据进行处理，输出所述子道路的路段风险预测值；以及对所述第一神经网络模型进行训练，使得所述路段风险预测值相对于路段风险预测值真值标签的误差最小，其中，所述路段风险预测值指示该时空切片所对应的空间切片上、任意两个或多个车辆在所述时空切片对应的时间切片的下一时间切片上发生碰撞的概率。2.如权利要求1所述的方法，其中所述道路交通数据还包括气象数据，所述气象数据针对多个分区进行划分，所述多个分区中的每一个与所述预设路段具有映射关系。3.如权利要求1所述的方法，其中所述子道路交通数据包括针对所述子道路的车辆轨迹数据，所述针对所述子道路的车辆轨迹数据是基于所述预设时间段和所述预设路段针对车辆轨迹数据以预定采样率进行采样得到的。4.如权利要求3所述的方法，其中所述车辆轨迹数据在输入所述第一神经网络模型前预先经过筛选处理，所述筛选包括：基于预定阈值删除所述车辆轨迹数据中的异常值。5.如权利要求3所述的方法，其中所述车辆轨迹数据在输入所述第一神经网络模型前预先经过平滑处理，所述平滑包括：响应于在所述预定采样率的整数倍时间内缺失所述车辆轨迹数据，对该时间段内的车辆轨迹数据进行补全。6.如权利要求1所述的方法，其中所述路网拓扑数据至少包括：所述预设路段内的所有车辆通过所述预设路段的平均通过速度、车辆速度方差、紧急加速次数、紧急加速幅度、紧急减速次数、紧急减速幅度中的一个或多个。7.一种第一神经网络模型，其特征在于，所述第一神经网络模型包括：输入层、隐藏层和输出层；所述输入层、所述隐藏层和所述输出层各自包括网络参数，并且所述网络参数包括与时空切片相关的地理加权值，所述时空切片中的每一个与在时间维度上针对预设时间段划分的一个时间切片、和在空间维度上针对预设路段划分的一个空间切片相对应；其中，所述第一神经网络模型经过如权利要求1所述的模型训练方法进行训练。8.一种交通事件发生概率的评估方法，其特征在于，所述方法包括：输入待进行预设道路交通事件发生概率评估的目标地点；针对所述目标地点划分时间切片；获取与所述目标地点和所述时间切片对应的目标道路交通数据；以第一时间为时间窗口，以第一频率为所述时间窗口的更新频率，通过将所述目标时空切片对应的目标道路交通数据输入如权利要求7所述的第一神经网络模型进行处理，输出所述目标道路的路段风险预测值序列；
将所述目标道路的路段风险预测值序列和目标地点的路网拓扑数据输入第二神经网络模型，所述第二神...

【专利技术属性】
技术研发人员：孟繁宇，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：