[发明专利]交通事故风险动态识别方法和识别模型构建方法

权利要求书

1.一种交通事故风险动态识别方法，其特征在于，包括：

获取高速公路待识别区段的实时车辆轨迹数据和实时气象数据，其中，区段的实时车辆轨迹数据包括：区段的实时轨迹数量、实时平均车速和实时制动数量；所述气象数据包括：天气情况、降水量和气温；所述实时车辆数据通过高速公路雷达设备获取，所述气象数据从高速公路气象站获取；

将所述实时车辆轨迹数据和所述实时气象数据输入训练好的随机森林模型，实时识别车辆轨迹类别，所述轨迹类别包括正常轨迹和异常轨迹；其中，训练好的随机森林模型包括多个分支，每个分支对应不同的车辆轨迹类别，包括正常轨迹和异常轨迹；异常轨迹包括：受异常天气单独影响的第一异常轨迹、受交通事故单独影响的第二异常轨迹，以及受异常天气和交通事故综合影响的第三异常轨迹；

如果所述轨迹类别为正常轨迹，确定无实时交通事故风险；

如果所述轨迹类别为异常轨迹，将所述实时车辆轨迹数据和所述实时气象数据输入训练好的支持向量机模型，实时识别交通事故风险等级；

其中，所述随机森林模型和支持向量机模型构成交通事故风险识别模型，所述模型的训练方法包括：

获取高速公路区段的历史车辆轨迹数据和历史气象数据，构成样本集，其中，每个样本包括一区段在一历史时刻的车辆轨迹数据和气象数据；具体的，利用高速公路雷达设备，获取所述高速公路上的历史车辆信息；根据所述雷达设备的分布位置，将所述高速公路划分为不同区段；将各区段的历史车辆信息，转换为各区段内各车辆的历史轨迹数据，其中，任一车辆的历史轨迹数据包括所述车辆的在各历史时刻的位置、所在车道和车速；由同一区段、同一历史时刻的历史气象数据和各车辆的历史轨迹数据，构成一个样本，生成样本集；

根据所述历史气象数据和历史交通事故数据，标注各样本的轨迹类别，所述轨迹类别包括：正常轨迹和异常轨迹，其中，所述异常轨迹包括：受异常天气单独影响的第一异常轨迹、受交通事故单独影响的第二异常轨迹，以及受异常天气和交通事故综合影响的第三异常轨迹；具体的，根据所述历史交通事故数据，将未发生交通事故的正样本的轨迹类别标注为轨迹正常，将发生交通事故的负样本的轨迹类别标注为轨迹异常；根据所述气象数据，确定满足预设的天气异常条件的第一负样本；根据所述交通事故数据，确定满足预设的交通事故异常条件的第二负样本；将所述第一负样本和所述第二负样本的交集样本的轨迹类别标注为：受异常天气和交通事故综合影响的第三异常轨迹；将所述交集之外的第一负样本的轨迹类别标注为：受异常天气单独影响的第一异常轨迹；将所述交集之外的第二负样本的轨迹类别标注为：受交通事故单独影响的第二异常轨迹；

将各样本输入随机森林模型进行训练，使所述随机森林模型的输出不断逼近各样本标注的轨迹类别；

从高速公路交通事故平台获取历史交通事故数据，所述历史交通事故数据包括历史交通事故发生的时段、地点和事故严重程度；

根据所述历史交通事故数据和各样本的轨迹类别，对各异常轨迹样本的交通事故风险等级进行标注；具体的，根据所述事故严重程度，对各异常轨迹样本的交通事故风险等级进行标注；调整所述交集样本的交通事故风险等级高于所述第一负样本和所述第二负样本的交通事故风险等级；

将各异常轨迹样本输入支持向量机模型进行训练，使所述支持向量机模型的输出不断逼近各异常轨迹样本标注的风险等级。

2.根据权利要求1所述的方法，其特征在于，所述获取高速公路待识别区段的实时车辆轨迹数据，包括：

利用高速公路雷达设备，获取待识别区段的实时车辆信息；

将所述实时车辆信息转换为各车辆的实时轨迹数据，其中，任一车辆的实时轨迹数据包括所述车辆的实时位置、实时所在车道和实时车速；

根据各车辆的实时轨迹数据，得到所述待识别区段的实时轨迹数量、实时平均车速和实时制动数量。

3.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-2中任一所述的交通事故风险动态识别方法。

4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-2中任一所述的交通事故风险动态识别方法。