【技术实现步骤摘要】
本专利技术涉及道路安全，具体涉及一种风险路段预测方法、系统、计算机设备及存储介质。
技术介绍
1、随着本专利技术国城市化进程的加快，城市建设问题越来越多，而交通问题作为人民日常生活中不可忽视的一大难题，亦是城市规划建设过程中必须应对的挑战。传统的交通事故的应对措施多侧重于交通系统运行过程中的规划、事故发生时的管控以及事故发生后的应对，但是聚焦于通过运输线路风险评估特别是环境要素的搭配来降低交通风险从而间接达到降低交通事故发生概率的细致化手段相对空缺。因此，对于现在街景进行安全性评估，对道路规划具有重要意义。
2、由于驾驶员视野下街道存在各种各样的物体，人工查看和分类工作量与难度巨大，需要借助计算机进行识别和提取。随着大数据时代的到来，因果关系模型、机器学习模型及深度学习模型等正在用于交通系统实证数据的分析，但是选取的数据集通常包括车流量、车辆速度、车载信息等传统交通指标，并不能很好地同驾驶员视角情况进行关联，难以对街道规划起到很好的解释作用，同时也无法实现对于运输线路风险路段的快速提取。
3、交通事故的预测有传统的统计学预测方法，也有机器学习领域的预测方法，但是现阶段以机器学习领域的预测方法为主。常用的统计模型包括poisson系列模型、负二项模型以及logit回归模型等，而常用的机器学习预测方法有人工神经网络(ann)、无监督对抗学习(gan)等。作为交通事故预测的结果通常表示为事故发生概率或是类别事故发生起数，但是作为解释变量，不同学者选取的角度不尽相同，一般包括交通事故数据、道路属性数据、路段车辆数
4、目前现有的技术所选用的数据中未考虑街景图像所涵盖的环境要素比例，不能很好地解释其它道路信息(如绿化带)对交通风险有无影响，导致对风险路段预测的准确度误差较高。
技术实现思路
1、针对现有技术对道路风险路段预测时未考虑道路环境因素的像素占比，从而导致预测准确度较差的不足，本专利技术提出一种风险路段预测方法、系统、计算机设备及存储介质，通过语义分割模型对街景图像进行分割，获取街景图像中道路不同环境要素的像素比例，将不同环境要素的像素比例输入风险路段预测模型中，计算出街景图像发生事故的预测概率，从而解决了现有技术存在对道路风险路段预测时未考虑道路环境因素的像素占比，从而导致预测准确度较差的问题。
2、一种风险路段预测方法，包括以下步骤：
3、获取待检测区域的街景图像数据；
4、基于deeplabv3+神经网络搭建语义分割模型，将待检测区域的街景图像数据输入语义分割模型中，输出该检测区域街景图像数据的分割图像；
5、选取编程法计算分割图像中不同环境要素的像素比例；
6、基于xgboost算法构建风险路段预测模型，将不同环境要素的像素比例输入风险路段预测模型中，输出该检测区域街景图像中发生事故的预测概率；
7、根据预测概率预测待检测区域街景图像中的风险路段。
8、进一步地，所述获取待检测区域的街景图像数据之后对图像数据以10m为单位进行增密操作，再通过要素转折点转点操作。
9、进一步地，所述语义分割模型的骨干网络采用mobilenetv2，用于提取图像特征；所述语义分割模型采用空洞金字塔池化模块以不同的采样率捕获多尺度信息。
10、进一步地，还包括对所述语义分割模型进行训练，具体包括以下步骤：
11、选取含有不同环境要素类型的图像数据；
12、将含有不同环境要素类型的图像数据输入语义分割模型中，通过设置不同的训练周期以及训练轮数，对所述语义分割模型进行训练。
13、进一步地，所述将不同环境要素的像素比例输入风险路段预测模型之前，对所述不同环境要素的像素比例进行编码分类，具体包括以下步骤：
14、根据街景图像中不同环境要素占比计算环境指标的平均值、标准差、最大值和最小值；
15、将街景图像中环境要素根据等距分割、均衡占比和类别数量的标准进行数据离散化；
16、按从小到大的顺序，根据最大值和最小值设置合适的编码区间对不用环境要素的像素比例进行编码。
17、进一步地，还包括对风险路段预测模型的参数进行优化，其具体包括以下步骤：
18、将xgboost模型在按设定比例随机选的数据上进行训练和测试；
19、通过k＝5折交叉验证的网格搜索法搜索训练过程中的最佳参数。
20、进一步地，采用shap模型对风险路段预测模型的预测结果进行解释。
21、进一步地，一种风险路段预测系统，包括：
22、获取模块，用于获取待检测区域的街景图像数据；
23、分割模块，用于基于deeplabv3+神经网络搭建语义分割模型，将待检测区域的街景图像数据输入语义分割模型中，输出该检测区域街景图像数据的分割图像；
24、像素比例计算模块，用于选取编程法计算分割图像中不同环境要素的像素比例；
25、概率预测模块，用于基于xgboost算法构建风险路段预测模型，将不同环境要素的像素比例输入风险路段预测模型中，输出该检测区域街景图像中发生事故的预测概率；
26、预测模块，用于根据预测概率预测待检测区域街景图像中的风险路段。
27、进一步地，一种风险路段预测计算机设备，其特征在于，包括：存储器、处理器以及存储在所述存储器内的计算机程序，所述处理器执行所述计算机程序时实现所述的风险路段预测方法的步骤。
28、进一步地，一种可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时，用于执行所述的风险路段预测方法的步骤。
29、本专利技术提供了一种风险路段预测方法、系统、计算机设备及存储介质，具备以下有益效果：
30、本专利技术通过语义分割模型对街景图像进行分割，根据分割的图像获取街景图像中道路不同环境要素的像素比例；基于xgboost算法构建风险路段预测模型；将不同环境要素的像素比例输入风险路段预测模型中，计算出街景图像发生事故的预测概率；本专利技术通过深入分析街景图像道路中不同环境要素的像素占比，增强了xgboost预测的准确性和稳定性，对当地运输线路的风险进行准确评估，并分析该路段不同的环境要素占比，具有广泛的应用前景。
本文档来自技高网...【技术保护点】
1.一种风险路段预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种风险路段预测方法，其特征在于，所述获取待检测区域的街景图像数据之后对图像数据以10m为单位进行增密操作，再通过要素转折点转点操作。
3.根据权利要求1所述的一种风险路段预测方法，其特征在于，所述语义分割模型的骨干网络采用MobileNetV2，用于提取图像特征；所述语义分割模型采用空洞金字塔池化模块以不同的采样率捕获多尺度信息。
4.根据权利要求1所述的一种风险路段预测方法，其特征在于，还包括对所述语义分割模型进行训练，具体包括以下步骤：
5.根据权利要求1所述的一种风险路段预测方法，其特征在于，所述将不同环境要素的像素比例输入风险路段预测模型之前，对所述不同环境要素的像素比例进行编码分类，具体包括以下步骤：
6.根据权利要求1所述的一种风险路段预测方法，其特征在于，还包括对风险路段预测模型的参数进行优化，其具体包括以下步骤：
7.根据权利要求1所述的一种风险路段预测方法，其特征在于，采用SHA P模型对风险路段预测模型的预测结
8.一种风险路段预测系统，其特征在于，包括：
9.一种风险路段预测计算机设备，其特征在于，包括：存储器、处理器以及存储在所述存储器内的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-7任一项所述的风险路段预测方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时，用于执行权利要求1-7任一项所述的风险路段预测方法的步骤。
...【技术特征摘要】
1.一种风险路段预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种风险路段预测方法，其特征在于，所述获取待检测区域的街景图像数据之后对图像数据以10m为单位进行增密操作，再通过要素转折点转点操作。
3.根据权利要求1所述的一种风险路段预测方法，其特征在于，所述语义分割模型的骨干网络采用mobilenetv2，用于提取图像特征；所述语义分割模型采用空洞金字塔池化模块以不同的采样率捕获多尺度信息。
4.根据权利要求1所述的一种风险路段预测方法，其特征在于，还包括对所述语义分割模型进行训练，具体包括以下步骤：
5.根据权利要求1所述的一种风险路段预测方法，其特征在于，所述将不同环境要素的像素比例输入风险路段预测模型之前，对所述不同环境要素的像素比例进行编码分类，具...
【专利技术属性】
技术研发人员：赖谋兴，张漪，李军，杨希文，石思雨，田赛，朱彤，
申请(专利权)人：长安大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。