事故检测方法、装置、电子设备以及计算机可读存储介质与流程

本技术涉及车辆，并且更具体地，涉及车辆中一种事故检测方法、装置、电子设备和计算机可读存储介质。

背景技术：

1、近年来，随着汽车保有量的急剧增加，高速公路交通事故发生数量也持续上升。这一趋势已经引起了广泛的社会关注，相关部门也加紧采取措施来应对。据相关机构调查研究，车辆异常是造成交通事故发生的主要因素。这进一步加剧了我们对高速公路交通安全的担忧。

2、车辆异常可能是由多种因素引起的，包括驾驶员身体不适、疲劳驾驶、酒后驾驶等，还包括车辆本身出现电池电能不足、轮胎打滑、胎压太低等问题。这些因素都可能导致驾驶员无法正常驾驶车辆，从而增加了交通事故的风险。如果不能及时预测这些异常车辆会引发的事故，并对这些异常车辆及时干预，轻则会增加交通拥堵，降低道路通行能力，重则会引发交通事故，造成人员伤亡及巨大的经济损失。

3、因此，预测车辆在行驶过程中可能出现的事故，并对其进行及时干预，减少因事故发生导致的财产损失和人员伤亡，对于提升交通道路安全水平具有重要意义。

技术实现思路

1、本技术提供了一种事故检测方法、装置、电子设备和计算机可读存储介质，该方法能够通过由孤立森林模型和时间序列模型融合得到的事故检测模型从车辆以往的运行数据中识别异常数据，并通过异常数据判断车辆是否发生事故。由于事故检测模型通过孤立森林模型和时间序列模型融合得到，事故检测模型综合了孤立森林模型和时间序列模型的优点，能够提高异常数据识别的准确性和可信度。

2、第一方面，提供了一种事故检测方法，所述事故检测方法包括：将目标车辆运行期间所产生的目标数据输入预先训练的事故检测模型；其中，所述目标数据包括多个维度的运行数据，所述事故检测模型包括孤立森林模型和时间序列模型，所述孤立森林模型的输出层与所述时间序列模型的输入层连接；采用所述孤立森林模型对所述目标数据中的异常数据进行识别，得到第一异常数据；从所述目标数据中获取与所述第一异常数据属于同一维度的运行数据，以得到与所述第一异常数据属于同一维度的且包含所述第一异常数据的时间序列数据；采用所述时间序列模型对所述时间序列数据中的异常数据进行识别，得到第二异常数据；确定所述目标车辆运行期间产生所述第一异常数据与产生所述第二异常数据的时间差异；根据所述时间差异判断所述目标车辆是否发生事故。

3、在上述技术方案中，本技术实施例通过采用将目标车辆运行期间所产生的目标数据输入预先训练的事故检测模型，目标数据包括多个维度的运行数据，事故检测模型包括孤立森林模型和时间序列模型，采用孤立森林模型对目标数据中的异常数据进行识别，得到第一异常数据，从目标数据中获取与第一异常数据属于同一维度的运行数据，以得到与第一异常数据属于同一维度的且包含第一异常数据的时间序列数据，采用时间序列模型对时间序列数据中的异常数据进行识别，得到第二异常数据，确定目标车辆运行期间产生第一异常数据与产生第二异常数据的时间差异，根据时间差异判断目标车辆是否发生事故的技术方案，能够通过由孤立森林模型和时间序列模型融合得到的事故检测模型从车辆以往的运行数据中识别异常数据，并通过异常数据判断车辆是否发生事故。由于事故检测模型通过孤立森林模型和时间序列模型融合得到，事故检测模型综合了孤立森林模型和时间序列模型的优点，能够提高异常数据识别的准确性和可信度。当通过异常数据判断车辆发生事故之后，可以让用户及时知晓车辆已经发生事故，避免用户在不知情车辆已经发生事故的情况继续用车，从而危及人身安全的情况发生。

4、结合第一方面，在某些可能的实现方式中，所述目标数据中的每个运行数据携带有数据的产生时间；所述从所述目标数据中获取与所述第一异常数据属于同一维度的运行数据，以得到与所述第一异常数据属于同一维度的且包含所述第一异常数据的时间序列数据包括：将所述第一异常数据携带的产生时间作为参考时间；从所述目标数据中获取在所述参考时间之前产生的第一预设时间段内的且与所述第一异常数据属于同一维度的运行数据，以得到第一检测数据；从所述目标数据中获取在所述参考时间之后产生的第二预设时间段内的且与所述第一异常数据属于同一维度的运行数据，以得到第二检测数据；根据所述第一检测数据、所述第一异常数据和所述第二检测数据产生所述时间序列数据。

5、结合第一方面和上述实现方式，在某些可能的实现方式中，所述确定所述目标车辆运行期间产生所述第一异常数据与产生所述第二异常数据的时间差异包括：确定所述第一异常数据携带的产生时间与所述第二异常数据携带的产生时间之间的差值；将所述差值确定为所述时间差异。

6、结合第一方面和上述实现方式，在某些可能的实现方式中，所述根据所述时间差异判断所述目标车辆是否发生事故包括：在所述时间差异为所述差值的情况下，判断所述差值是否小于或者等于预设差值；若是，判定所述目标车辆发生事故；若否，判定所述目标车辆未发生事故。

7、结合第一方面和上述实现方式，在某些可能的实现方式中，所述根据所述时间差异判断所述目标车辆是否发生事故之后，所述事故检测方法还包括：：在判定所述目标车辆发生事故的情况下，获取所述第一异常数据携带的产生时间至所述第二异常数据携带的产生时间内所采集的行车记录视频；根据所述第一异常数据、所述第二异常数据和所述行车记录视频确定事故类型；输出关于所述事故类型的提示信息。

8、结合第一方面和上述实现方式，在某些可能的实现方式中，所述采用所述孤立森林模型对所述目标数据中的异常数据进行识别，得到第一异常数据包括：将所述目标数据中的每个运行数据输入所述孤立森林模型，得到每个运行数据在所述孤立森林模型中的路径长度；根据每个运行数据在所述孤立森林模型中的路径长度，确定所述目标数据中的每个运行数据的异常得分；根据所述异常得分，从所述目标数据中确定出满足异常条件的运行数据，得到所述第一异常数据。

9、结合第一方面和上述实现方式，在某些可能的实现方式中，所述事故检测方法还包括：获取多个样本车辆各自对应的样本数据集；其中，对于所述多个样本车辆中的每个样本车辆，所述样本车辆对应的样本数据集包括所述样本车辆在不同时间下运行所产生的多个维度的样本运行数据，每个样本运行数据具有标注信息，所述标注信息用于表示样本运行数据的数据类别为正常类别或异常类别；采用所述孤立森林模型对所述样本车辆对应的样本数据集中的异常数据进行识别，得到所述第一识别结果，所述第一识别结果包括第三异常数据和所述第三异常数据的第一数据类别，所述第一数据类别为异常类别；从所述样本车辆对应的样本数据集中获取与所述第三异常数据属于同一维度的样本运行数据，以得到与所述第三异常数据属于同一维度的且包含所述第三异常数据的样本时间序列数据；采用所述时间序列模型对所述样本时间序列数据中的异常数据进行识别，得到所述第二识别结果，所述第二识别结果包括第四异常数据和所述第四异常数据的第二数据类别，所述第二数据类别为异常类别；根据所述第一数据类别与所述第三异常数据的标注信息之间的第一差异信息，以及根据所述第二数据类别与所述第四异常数据的标注信息之间的第二差异信息，训练所述事故检测模型。

10、第二方面，提供了一种事故检测装置，所述事故检测装置包括：

11、异常识别模块，用于将目标车辆运行期间所产生的目标数据输入预先训练的事故检测模型；其中，所述目标数据包括多个维度的运行数据，所述事故检测模型包括孤立森林模型和时间序列模型，所述孤立森林模型的输出层与所述时间序列模型的输入层连接；采用所述孤立森林模型对所述目标数据中的异常数据进行识别，得到第一异常数据；从所述目标数据中获取与所述第一异常数据属于同一维度的运行数据，以得到与所述第一异常数据属于同一维度的且包含所述第一异常数据的时间序列数据；采用所述时间序列模型对所述时间序列数据中的异常数据进行识别，得到第二异常数据；

12、差异确定模块，用于确定所述目标车辆运行期间产生所述第一异常数据与产生所述第二异常数据的时间差异；

13、事故判断模块，用于根据所述时间差异判断所述目标车辆是否发生事故。

14、结合第二方面，在某些可能的实现方式中，所述目标数据中的每个运行数据携带有数据的产生时间，所述异常识别模块包括：

15、第一数据选取单元，用于所述第一异常数据携带的产生时间作为参考时间；从所述目标数据中获取在所述参考时间之前产生的第一预设时间段内的且与所述第一异常数据属于同一维度的运行数据，以得到第一检测数据；

16、第二数据选取单元，用于从所述目标数据中获取在所述参考时间之后产生的第二预设时间段内的且与所述第一异常数据属于同一维度的运行数据，以得到第二检测数据；

17、数据构建单元，用于根据所述第一检测数据、所述第一异常数据和所述第二检测数据产生所述时间序列数据。

18、结合第二方面和上述实现方式，在某些可能的实现方式中，所述差异确定模块具体用于：确定所述第一异常数据携带的产生时间与所述第二异常数据携带的产生时间之间的差值；将所述差值确定为所述时间差异。

19、结合第二方面和上述实现方式，在某些可能的实现方式中，所述事故判断模块具体用于：在所述时间差异为所述差值的情况下，判断所述差值是否小于或者等于预设差值；若是，判定所述目标车辆发生事故；若否，判定所述目标车辆未发生事故。

20、结合第二方面和上述实现方式，在某些可能的实现方式中，所述事故检测装置还包括：

21、提示单元，用于在判定所述目标车辆发生事故的情况下，获取所述第一异常数据携带的产生时间至所述第二异常数据携带的产生时间内所采集的行车记录视频；根据所述第一异常数据、所述第二异常数据和所述行车记录视频确定事故类型；输出关于所述事故类型的提示信息。

22、结合第二方面和上述实现方式，在某些可能的实现方式中，所述异常识别模块还包括：

23、异常数据识别单元，用于将所述目标数据中的每个运行数据输入所述孤立森林模型，得到每个运行数据在所述孤立森林模型中的路径长度；根据每个运行数据在所述孤立森林模型中的路径长度，确定所述目标数据中的每个运行数据的异常得分；根据所述异常得分，从所述目标数据中确定出满足异常条件的运行数据，得到所述第一异常数据。

24、结合第二方面和上述实现方式，在某些可能的实现方式中，所述事故检测装置还包括：

25、模型训练单元，用于获取多个样本车辆各自对应的样本数据集；其中，对于所述多个样本车辆中的每个样本车辆，所述样本车辆对应的样本数据集包括所述样本车辆在不同时间下运行所产生的多个维度的样本运行数据，每个样本运行数据具有标注信息，所述标注信息用于表示样本运行数据的数据类别为正常类别或异常类别；采用所述孤立森林模型对所述样本车辆对应的样本数据集中的异常数据进行识别，得到所述第一识别结果，所述第一识别结果包括第三异常数据和所述第三异常数据的第一数据类别，所述第一数据类别为异常类别；从所述样本车辆对应的样本数据集中获取与所述第三异常数据属于同一维度的样本运行数据，以得到与所述第三异常数据属于同一维度的且包含所述第三异常数据的样本时间序列数据；采用所述时间序列模型对所述样本时间序列数据中的异常数据进行识别，得到所述第二识别结果，所述第二识别结果包括第四异常数据和所述第四异常数据的第二数据类别，所述第二数据类别为异常类别；根据所述第一数据类别与所述第三异常数据的标注信息之间的第一差异信息，以及根据所述第二数据类别与所述第四异常数据的标注信息之间的第二差异信息，训练所述事故检测模型。

26、第三方面，提供一种电子设备，包括存储器和处理器。该存储器用于存储可执行程序代码，该处理器用于从存储器中调用并运行该可执行程序代码，使得该电子设备执行上述第一方面或第一方面任意一种可能的实现方式中的事故检测方法。

27、第四方面，提供了一种计算机程序产品，该计算机程序产品包括：计算机程序代码，当该计算机程序代码在计算机上运行时，使得该计算机执行上述第一方面或第一方面任意一种可能的实现方式中的事故检测方法。

28、第五方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序代码，当该计算机程序代码在计算机上运行时，使得该计算机执行上述第一方面或第一方面任意一种可能的实现方式中的事故检测方法。