一种基于深度学习的区域交通事故预警方法及系统技术方案

本发明专利技术提供一种基于深度学习的区域交通事故预警方法及系统，该方法包括：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；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；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。通过该方案可以预测区域车辆风险，准确对区域驾驶员进行风险提示，保障交通安全。保障交通安全。保障交通安全。

【技术实现步骤摘要】
一种基于深度学习的区域交通事故预警方法及系统


[0001]本专利技术涉及交通安全领域，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。

技术介绍

[0002]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。

技术实现思路

[0003]有鉴于此，本专利技术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。
[0004]在本专利技术实施例的第一方面，提供了一种基于深度学习的区域交通事故预警方法，包括：
[0005]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；
[0006]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；
[0007]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。
[0008]在本专利技术实施例的第二方面，提供了一种基于深度学习的区域交通事故预警系统，包括：
[0009]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；
[0010]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；
[0011]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。
[0012]在本专利技术实施例的第三方面，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专利技术实施例第一方面所述方法的步骤。
[0013]本专利技术实施例的第四方面，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专利技术实施例第一方面提供的所述方法的步骤。
[0014]本专利技术实施例中，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
[0015]为了更清楚地说明本专利技术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专利技术的一些实施例，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。
[0016]图1为本专利技术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；
[0017]图2为本专利技术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；
[0018]图3为本专利技术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；
[0019]图4为本专利技术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
[0020]为使得本专利技术的专利技术目的、特征、优点能够更加的明显和易懂，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而非全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0021]本专利技术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。
[0022]参见图1，图1为本专利技术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：
[0023]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；
[0024]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。
[0025]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。
[0026]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。
[0027]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。
[0028]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；
[0029]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。
[0030]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。
[0031]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。
[0032]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。
[0033]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。
[0034]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。
[0035]S103、检测区域交通特征数据，通过深度学习模型，预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的区域交通事故预警方法，其特征在于，包括：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；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；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。2.根据权利要求1所述的方法，其特征在于，所述对区域交通事故进行特征提取包括: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。3.根据权利要求1所述的方法，其特征在于，所述构建交通事故特征与事故类型的映射关系包括：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。4.根据权利要求1所述的方法，其特征在于，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。5.根据权利要求1所述的方法，其特征在于，所述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包括：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。6.根据权利要求1所述的方法，其特征在于，所述检测区域交通...

【专利技术属性】
技术研发人员：周显敬，刘虎，汪寒雨，黄银地，
申请(专利权)人：武汉卓尔信息科技有限公司，
类型：发明
国别省市：