一种基于深度学习的区域交通事故预警方法及系统与流程

1.本发明涉及交通安全领域，尤其涉及一种基于深度学习的区域交通事故预警方法及系统。


背景技术：

2.一般在常发生交通事故路段，车辆的地图导航系统通常会进行语音提醒，同时，对于一些极端天气或交通拥堵等情况也会进行提示。然而，对于这种常见的提示方式通常难以引起驾驶员警觉，实质上并未较大程度减少安全事故的发生。


技术实现要素：

3.有鉴于此，本发明实施例提供了一种基于深度学习的区域交通事故预警方法及系统，以解决现有预警方式没有较大程度减少安全事故的问题。
4.在本发明实施例的第一方面，提供了一种基于深度学习的区域交通事故预警方法，包括：
5.获取历史一段时间内交通事故发生地点，基于dbscan聚类算法对交通事故发生地点进行聚类，得到区域交通事故点簇；
6.对区域交通事故进行特征提取，构建交通事故特征与事故类型的映射关系，并基于深度学习算法，对深度学习模型进行训练；
7.检测区域交通特征数据，通过深度学习模型，预测车辆事故风险，并对对应的车辆进行预警。
8.在本发明实施例的第二方面，提供了一种基于深度学习的区域交通事故预警系统，包括：
9.数据采集聚类模块，用于获取历史一段时间内交通事故发生地点，基于dbscan聚类算法对交通事故发生地点进行聚类，得到区域交通事故点簇；
10.模型训练模块，用于对区域交通事故进行特征提取，构建交通事故特征与事故类型的映射关系，并基于深度学习算法，对深度学习模型进行训练；
11.预测预警模块，用于检测区域交通特征数据，通过深度学习模型，预测车辆事故风险，并对对应的车辆进行预警。
12.在本发明实施例的第三方面，提供了一种电子设备，至少包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例第一方面所述方法的步骤。
13.本发明实施例的第四方面，提供了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程序，所述计算机程序被处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。
14.本发明实施例中，通过对交通事故发生点进行聚类，得到区域事故常发地，并通过深度学习模型对区域车辆进行预警，从而可以对区域车辆进行监控、预测预警，能够有效避
免区域交通事故的发生，精准对区域驾驶员进行预警提示。
附图说明
15.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍，显而易见地，下面描述的附图仅仅是本发明的一些实施例，对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取其他附图。
16.图1为本发明的一个实施例提供的一种基于深度学习的区域交通事故预警方法的流程示意图；
17.图2为本发明的一个实施例提供的一种基于深度学习的区域交通事故预警方法的另一流程示意图；
18.图3为本发明的一个实施例提供的的一种基于深度学习的区域交通事故预警系统的结构示意图；
19.图4为本发明的一个实施例提供的一种电子设备的结构示意图。
具体实施方式
20.为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
21.本发明的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表述，意指覆盖不排他的包含，如包含一系列步骤或单元的过程、方法或系统、设备没有限定于已列出的步骤或单元。此外，“第一”“第二”用于区分不同对象，并非用于描述特定顺序。
22.参见图1，图1为本发明实施例提供的一种基于深度学习的区域交通事故预警方法的流程示意图，包括：
23.s101、获取历史一段时间内交通事故发生地点，基于dbscan聚类算法对交通事故发生地点进行聚类，得到区域交通事故点簇；
24.对某一区域或某一线路，如某一城市或高速公路，获取历史事故发生地点。其中，对于道路路面状况或地理状况发生较大改观前的历史数据进行删除，仅保留路面状况、地理状况未发生变化的交通事故数据，如车道变多、十字路口变为丁字路口、直行变为转弯等变化前的数据可以剔除掉。
25.所述交通事故发生地点可以以经纬度不表示，事故发生地点可以是在一定精确度范围内的一个大致地点，一般可以以车辆发生碰撞、侧翻位置为准。
26.对于事故发生地点通过聚类可以得到一个大致的事故常发区域，当车辆处于该区域可以进行状态数据采集，通过车辆自身携带的传感器或区域视频监控可以监测车辆状态。
27.dbscan(density－based spatial clustering of applications with noise)聚类算法是一种密度聚类算法，可以将高密度区域划分为簇。基于密度聚类不仅可以确定
事故常发地，还可以分析确定区域交通环境与事故的关联，方便深度学习模型预测。
28.s102、对区域交通事故进行特征提取，构建交通事故特征与事故类型的映射关系，并基于深度学习算法，对深度学习模型进行训练；
29.其中，提取交通事故对应的天气、时段、空间地理环境、事故车状态、他车状态五个维度特征数据。
30.一般的，天气包括雨天、雾天、晴天、下雪等，时段一般分为早晨时段、上午时段、下午时段、傍晚时段和夜晚时段等，空间地面环境包括路口、车道增多、车道减少、车道并入、下坡、上坡等交通环境，自车状态包括直行、转弯、变道、超车、加速、减速等，还包括有车辆对应的速度和航向角等信息，他车状态包括直行、转弯、变道等，还包括他车速度、距离等。
31.具体的，将交通事故的维度特征数据通过数值表示，并构建同一类型交通事故对应的映射矩阵。
32.将各维度特征用特定的数值表示，如天气中，1表示晴天，2表示雨天，3表示雾天，以此类推，构建矩阵到事故类型的映射关系。其中，该矩阵还包括特征对应的数值，如雨天用1、2、3表示雨量级别，自车状态中不同状态对应有具体数值的车速。
33.其中，所述深度学习模型包括5个卷积层、5个反卷积层和1个全连接层；卷积层和反卷积层激活函数为tanh函数，全连接层激活函数为sigmoid函数。
34.通过历史交通事故数据对深度学习模型进行训练测试，得到相应的交通事故预测模型，可以对输入的特征数据进行事故预测。
35.s103、检测区域交通特征数据，通过深度学习模型，预测车辆事故风险，并对对应的车辆进行预警。
36.对区域车辆特征进行监测，获取车辆状态信息，由于当前天气、时段和区域的空间地理环境特征均已知，通过联网查询或自动输入即可通过模型进行事故预测。
37.其中，通过视频监控实时获取交通事故点簇区域车辆的实时状态，结合区域天气、地理环境特征，通过深度学习模型预测区域车辆事故风险；通过区域交通广播或导航地图向对应的车辆预警提示。
38.其中，通过车载传感器获取车辆的实时状态，结合区域天气、地理环境特征，通过深度学习模型预测区域车辆事故风险，并通过车内语音系统或导航地图进行预警提示。
39.具体的，如图2所示，当通过区域交通监控摄像头对车辆状态进行监测时，需要通过服务器进行数据收集并预测，将结果通过区域广播或接入导航地图进行播报提示；当通过车辆自身传感器进行自车、他车状态采集时，车端根据采集信息以及联网获取的天气、当前区域交通环境特征，对自车进行事故预测，当判定存在事故风险时，通过车内语音系统进行播报提示，以便提前采取措施规避。
40.本实施例提供的方法，可以提取确定事故多发地，通过对区域的事故风险预测，准确有效提示对应的驾驶员安全操作，可以保障车辆的行驶安全。
41.应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定，
42.图3为本发明实施例提供的一种基于深度学习的区域交通事故预警系统的结构示意图，该系统包括：
43.数据采集聚类模块310，用于获取历史一段时间内交通事故发生地点，基于dbscan
聚类算法对交通事故发生地点进行聚类，得到区域交通事故点簇；
44.模型训练模块320，用于对区域交通事故进行特征提取，构建交通事故特征与事故类型的映射关系，并基于深度学习算法，对深度学习模型进行训练；
45.其中，提取交通事故对应的天气、时段、空间地理环境、事故车状态、他车状态五个维度特征数据。
46.进一步的，将交通事故的维度特征数据通过数值表示，并构建同一类型交通事故对应的映射矩阵。
47.其中，所述深度学习模型包括5个卷积层、5个反卷积层和1个全连接层；卷积层和反卷积层激活函数为tanh函数，全连接层激活函数为sigmoid函数。
48.预测预警模块330，用于检测区域交通特征数据，通过深度学习模型，预测车辆事故风险，并对对应的车辆进行预警。
49.可选的，通过视频监控实时获取交通事故点簇区域车辆的实时状态，结合区域天气、地理环境特征，通过深度学习模型预测区域车辆事故风险；通过区域交通广播或导航地图向对应的车辆预警提示。
50.可选的，通过车载传感器获取车辆的实时状态，结合区域天气、地理环境特征，通过深度学习模型预测区域车辆事故风险，并通过车内语音系统或导航地图进行预警提示。
51.所述领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和模块的具体工作过程可以参考前述方法实施例中对应的过程，在此不再赘述。
52.图4是本发明一实施例提供的一种电子设备的结构示意图。所述电子设备用于区域交通事故预测预警。如图4所示，该实施例的电子设备4包括：存储器410、处理器420以及系统总线430，所述存储器410包括存储其上的可运行的程序4101，本领域技术人员可以理解，图4中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
53.下面结合图4对电子设备的各个构成部件进行具体的介绍：
54.存储器410可用于存储软件程序以及模块，处理器420通过运行存储在存储器410的软件程序以及模块，从而执行电子设备的各种功能应用以及数据处理。存储器410可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据(比如缓存数据)等。此外，存储器410可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
55.在存储器410上包含标志牌提取方法的可运行程序4101，所述可运行程序4101可以被分割成一个或多个模块/单元，所述一个或多个模块/单元被存储在所述存储器410中，并由处理器420执行，以实现区域车辆交通事故风险的预测及预警等，所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序4101在所述电子设备4中的执行过程。例如，所述计算机程序4101可以被分割为数据采集聚类模块、模型训练模块和预测预警模块。
56.处理器420是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器410内的软件程序和/或模块，以及调用存储在存储
器410内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体状态监控。可选的，处理器420可包括一个或多个处理单元；优选的，处理器420可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器420中。
57.系统总线430是用来连接计算机内部各功能部件，可以传送数据信息、地址信息、控制信息，其种类可以是例如pci总线、isa总线、vesa总线等。处理器420的指令通过总线传递至存储器410，存储器410反馈数据给处理器420，系统总线430负责处理器420与存储器410之间的数据、指令交互。当然系统总线430还可以接入其他设备，例如网络接口、显示设备等。
58.在本发明实施例中，该电子设备所包括的处理420执行的可运行程序包括：
59.获取历史一段时间内交通事故发生地点，基于dbscan聚类算法对交通事故发生地点进行聚类，得到区域交通事故点簇；
60.对区域交通事故进行特征提取，构建交通事故特征与事故类型的映射关系，并基于深度学习算法，对深度学习模型进行训练；
61.检测区域交通特征数据，通过深度学习模型，预测车辆事故风险，并对对应的车辆进行预警。
62.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
63.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
64.以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
65.以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。