模型训练方法和装置、交通事件发生概率评估方法和装置与流程

1.本公开涉及计算机技术领域，更具体地，涉及一种模型训练方法和装置、交通事件发生概率评估方法和装置，以及相应的计算机可读存储介质和计算机程序产品。


背景技术：

2.交通事件在城市道路和高速公路上都常有发生。诸如多车事故、大型车辆侧翻之类的严重的交通事件可能带来严重的交通拥堵，导致周边路网通行效率严重降低，进而会带来严重的交通安全隐患，增加次级事故发生的几率，同时造成较大的经济影响和财产损失。相关路段交通事件检测方法主要借助于视频设备识别和交通状态变化的感知。
3.对于使用视频设备的检测方法，设备的位置固定，只能在设备周围几十米范围内保证事件检测的准确率。若需要覆盖区域路网或高速路网，则只能通过扩展设备点位的方式实现，成本极高。
4.对于使用交通状态变化的感知的相关方法，通常都只以事后的一个时间片上的交通信息、车辆信息为基础进行识别。由于交通状态的推演需要一定时间，此类方法的快速响应能力有限；同时交通状态的推演跟环境、事件类型等关系紧密，交通状态的变化有很强的随机性，因此这类方法的漏报和误报情形较多。


技术实现要素：

5.有鉴于此，本公开提供了模型训练方法和装置、交通事件发生概率评估方法和装置，以及相应的计算机可读存储介质和计算机程序产品，可以缓解、减轻或甚至消除上述问题。
6.根据本公开的第一方面，提供了一种模型训练方法，其特征在于，所述方法包括：获取预设时间段内预设路段中的道路交通数据，所述道路交通数据至少包括车辆轨迹数据和路网拓扑数据；将所述道路交通数据划分到多个时空切片中，得到所述多个时空切片中每个时空切片对应的子道路交通数据，所述每个时空切片与在时间维度上针对所述预设时间段划分的一个时间切片、和在空间维度上针对所述预设路段划分的一个空间切片相对应；将每个时空切片对应的子道路交通数据输入第一神经网络模型，所述第一神经网络模型的网络参数包括与时空切片相关的地理加权值，第一神经网络模型对该时空切片对应的子道路交通数据进行处理，输出所述子道路的路段风险预测值；以及对所述第一神经网络模型进行训练，使得所述路段风险预测值相对于路段风险预测值真值标签的误差最小，其中，所述路段风险预测值指示该时空切片所对应的空间切片上、任意两个或多个车辆在所述时空切片对应的时间切片的下一时间切片上发生碰撞的概率。
7.在一些实施例中，所述道路交通数据还包括气象数据，所述气象数据针对多个分区进行划分，所述多个分区中的每一个与所述预设路段具有映射关系。
8.在一些实施例中，所述子道路交通数据包括针对所述子道路的车辆轨迹数据，所述针对所述子道路的车辆轨迹数据是基于所述预设时间段和所述预设路段针对车辆轨迹
数据以预定采样率进行采样得到的。
9.在一些实施例中，所述车辆轨迹数据在输入所述第一神经网络模型前预先经过筛选处理，所述筛选包括：基于预定阈值删除所述车辆轨迹数据中的异常值。
10.在一些实施例中，所述车辆轨迹数据在输入所述第一神经网络模型前预先经过平滑处理，所述平滑包括：响应于在所述预定采样率的整数倍时间内缺失所述车辆轨迹数据，对该时间段内的车辆轨迹数据进行补全。
11.在一些实施例中，所述路网拓扑数据至少包括：所述预设路段内的所有车辆通过所述预设路段的平均通过速度、车辆速度方差、紧急加速次数、紧急加速幅度、紧急减速次数、紧急减速幅度中的一个或多个。
12.根据本公开的第二方面，提供了一种第一神经网络模型，其特征在于，第一神经网络模型包括：输入层、隐藏层和输出层；所述输入层、隐藏层和输出层各自包括网络参数，并且所述网络参数包括与时空切片相关的地理加权值，所述时空切片中的每一个与在时间维度上针对预设时间段划分的一个时间切片、和在空间维度上针对预设路段划分的一个空间切片相对应；以及其中所述第一神经网络模型经过如第一方面所述的模型训练方法进行训练。
13.根据本公开的第三方面，提供了一种交通事件发生概率的评估方法，其特征在于，所述方法包括：输入待进行预设道路交通事件发生概率评估的目标地点；针对所述目标地点划分时间切片；获取与所述目标地点和所述时间切片对应的目标道路交通数据；以第一时间为时间窗口，以第一频率为所述时间窗口的更新频率，通过将所述目标时空切片对应的目标道路交通数据输入如第二方面所述的第一神经网络模型进行处理，输出所述目标道路的路段风险预测值序列；将所述目标道路的路段风险预测值序列和目标地点的路网拓扑数据输入第二神经网络模型，所述第二神经网络模型用于对所述交通事件发生概率进行评估；以及生成预设道路的交通事件发生概率。
14.在一些实施例中，所述第二神经网络模型为用于时间序列处理的经过预训练的二分类模型，所述第二神经网络模型预先以历史路段风险时间序列作为输入，以历史道路交通事件发生概率作为输出标签训练。
15.在一些实施例中，所述第一神经网络模型以用于模型更新的第二频率进行重新训练以对所述神经网络模型中的参数进行更新，所述模型更新频率小于所述时间窗口更新第一频率。
16.根据本公开的第四方面，提供了一种模型训练装置，其特征在于，所述装置包括：获取模块，被配置成获取预设时间段内预设路段中的道路交通数据，所述道路交通数据至少包括车辆轨迹数据和路网拓扑数据；划分模块，被配置成将所述道路交通数据划分到多个时空切片中，得到所述多个时空切片中每个时空切片对应的子道路交通数据，所述每个时空切片与在时间维度上针对所述预设时间段划分的一个时间切片、和在空间维度上针对所述预设路段划分的一个空间切片相对应；输入模块，被配置成将每个时空切片对应的子道路交通数据输入第一神经网络模型，所述第一神经网络模型的网络参数包括与时空切片相关的地理加权值，第一神经网络模型对该时空切片对应的子道路交通数据进行处理，输出所述子道路的路段风险预测值；以及训练模块，被配置成对所述第一神经网络模型进行训练，使得所述路段风险预测值相对于路段风险预测值真值标签的误差最小；其中，所述路
段风险预测值指示该时空切片所对应的空间切片上、任意两个或多个车辆在所述时空切片对应的时间切片的下一时间切片上发生碰撞的概率。
17.根据本公开的第五方面，提供了一种交通事件发生概率的评估装置，其特征在于，所述装置包括：输入模块，被配置成输入待进行预设道路交通事件发生概率评估的目标地点；划分模块，被配置成针对所述目标地点划分时间切片；获取模块，被配置成获取与所述目标地点和所述时间切片对应的目标道路交通数据；风险预测值序列生成模块，被配置成以第一时间为时间窗口，以第一频率为所述时间窗口的更新频率，通过将所述目标时空切片对应的目标道路交通数据输入如第二方面所述的第一神经网络模型进行处理，输出所述目标道路的路段风险预测值序列；评估模块，被配置成将所述目标道路的路段风险预测值序列和目标地点的路网拓扑数据输入第二神经网络模型，所述第二神经网络模型用于对所述交通事件发生概率进行评估；以及生成模块，被配置成生成预设道路的交通事件发生概率。
18.根据本公开的第六方面，提供了一种计算设备，包括：存储器，其被配置成存储计算机可执行指令；处理器，其被配置成当计算机可执行指令被处理器执行时执行根据前述方面描述的模型训练/交通事件发生概率的评估方法。
19.根据本公开的第七方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，当所述计算机可执行指令被执行时，执行根据前述方面描述的模型训练/交通事件发生概率的评估方法。
20.通过本公开提供的模型训练方法和装置、交通事件发生概率评估方法和装置，与路侧设备解耦，不受路侧设备的覆盖范围限制，提升了事件检测覆盖度和灵活性。以路段历史真实事件为标签来标定和训练事件检测模型，实时主动监测道路路段的交通事件发生概率，将路段风险预测值序列作为输入，同时输入路段的交通状态指标、环境因素等，使事件检测模型能够根据事前的事件发生结合事后真实交通状态快速做出判断，对事件的发生进行快速和精准的检测。此外，降低了交通事件的误报和漏报概率。
21.通过本发明预测的交通事件发生概率可以被直接用于交通领域，例如作为交通安全管理、拥堵治理、交通调度指挥和应急调度指挥的重要数据来源和依据。
22.根据在下文中所描述的实施例，本公开的这些和其它方面将是清楚明白的，并且将参考在下文中所描述的实施例而被阐明。
附图说明
23.在下面结合附图对于示例性实施例的描述中，本公开的更多细节、特征和优点被公开，在附图中：
24.图1示意性示出了可以应用本公开一些实施例提供的交通事件发生概率评估方案的示例场景；
25.图2示意性示出了根据本公开一些实施例的模型训练和利用该模型训练方法进行交通事件发生概率的评估的示例流程图；
26.图3示意性示出了根据本公开一些实施例的第一神经网络模型的示意图；
27.图4示意性示出了根据本公开一些实施例的交通事件发生概率的评估方法的示意图；
28.图5示意性示出了根据本公开一些实施例的模型训练方法的示例流程图；
29.图6示意性示出了根据本公开另一些实施例的交通事件发生概率的评估方法的示意图；
30.图7示意性示出了根据本公开一些实施例的模型训练装置的示例框图；
31.图8示意性示出了根据本公开一些实施例的交通事件发生概率的评估装置的示例框图；
32.图9示意性示出了根据本公开一些实施例的计算设备的示例框图。
具体实施方式
33.下面将结合本技术中的附图，对本技术中的技术方案进行清楚和完整的描述。所描述的实施例仅仅是本技术的一部分实施例，而不是全部实施例。基于本技术的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例都属于本技术保护的范围。
34.人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通、自动控制等几大方向。
35.机器学习(machine learning，ml)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习、主动学习等技术。
36.随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服、车联网、自动驾驶、智慧交通等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
37.在详细介绍本公开的实施例之前，首先对一些相关的概念进行解释。
38.采样率：也称采样频率，单位时间的采样次数，单位：hz。
39.lms：least median of squares，最小中位数平方。
40.poi：point of interest，兴趣点。
41.gwann：geographically weighted artificial neural network，地理加权神经网络。
42.ttc：time to collision，平均避撞时间。
43.lstm：long short-term memory，长短时记忆模型。
44.本公开的一些实施例可以借助卷积神经网络(convolutional neural network，cnn)来实施。卷积神经网络是一类为处理图像数据而设计的神经网络模型，在图像识别应用中可以取得非常好的效果。卷积神经网络通常由输入层、隐含层和输出层构成，其中，输
入层一般可以用于接收一维、二维或更高维数组，隐含层通常包括卷积层、池化层和全连接层，有时也可以包括诸如残差模块的其他模块，输出层一般用于输出分类结果，其可以借助逻辑函数或归一化指数函数等来实现。根据实际应用需求，卷积神经网络可以通过监督学习或非监督学习来训练。
45.本公开的实施例可以应用于交通领域，并可应用于智能交通系统(intelligent traffic system，its)、自动驾驶、辅助驾驶等相关场景。智能交通系统又称智能运输系统(intelligent transportation system)，是将先进的科学技术(信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术、自动控制理论、运筹学、人工智能等)有效地综合运用于交通运输、服务控制和车辆制造，加强车辆、道路、使用者三者之间的联系，从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输系统。
46.智能交通系统(intelligent traffic system，its)又称智能运输系统(intelligent transportation system)，是将先进的科学技术(信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术、自动控制理论、运筹学、人工智能等)有效地综合运用于交通运输、服务控制和车辆制造，加强车辆、道路、使用者三者之间的联系，从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输系统。
47.智能车路协同系统(intelligent vehicle infrastructure cooperative systems，ivics)，简称车路协同系统，是智能交通系统(its)的一个发展方向。车路协同系统是采用先进的无线通信和新一代互联网等技术，全方位实施车车、车路动态实时信息交互，并在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理，充分实现人车路的有效协同，保证交通安全，提高通行效率，从而形成的安全、高效和环保的道路交通系统。
48.图1示意性示出了可以应用本公开的实施例提供的模型训练方法和交通事件发生概率评估的示例场景100。
49.如图1中所示，场景100包括计算设备110。本公开的实施例所提供的交通事件发生概率评估方案可以部署于计算设备110，并用于确定第一神经网络模型的网络参数和目标道路的路段风险预测值序列。其中第一神经网络模型的网络参数包括与时空切片相关的地理加权值，第一神经网络模型对该时空切片对应的子道路交通数据进行处理，输出子道路的路段风险预测值。计算设备可以包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端、飞行器等。本公开的实施例可以应用于各种场景，包括但不限于云技术、人工智能、智慧交通、辅助驾驶等。
50.示例性地，用户120可以通过计算设备110使用导航服务。例如，用户120可以通过计算设备110提供的用户接口来输入指令，例如通过相关实体或虚拟按键、通过文本、语音或手势指令等，以便启动部署于计算设备110和/或服务器130上的导航应用、查看导航路线等。
51.场景100还可以包括服务器130。可选地，本公开的实施例提供的导航方案也可以部署在服务器130上。或者，可选地，本公开的实施例提供的导航方案也可以部署于计算设备110和服务器130的组合上。本公开在此方面不做具体限定。例如，用户120可以通过计算设备110经由网络150访问服务器130，以便获取服务器130所提供的服务。
52.服务器130可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集
群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。此外，应理解，服务器130仅作为示例被示出，实际上，也可以替代地或附加地使用其他具有计算能力及存储能力的设备或设备的组合来提供相应的服务。
53.可选地，计算设备110和/或服务器130可以经由网络150与数据库140相链接，以便例如从数据库140获取预设时间段内预设路段中的道路交通数据，所述道路交通数据至少包括车辆轨迹数据和路网拓扑数据、气象数据等。示例性地，数据库140可以是独立的数据存储设备或设备群，或者也可以是与其他在线服务(诸如提供路况实况查看等功能的与地图数据相关的其他在线服务)相关的后端数据存储设备或设备群。
54.此外，在本公开中，网络150可以是经由诸如电缆、光纤等连接的有线网络，也可以是诸如2g、3g、4g、5g、wi-fi、蓝牙、zigbee、li-fi等的无线网络，还可以是一个或几个设备的内部连接线路等。
55.图2示意性示出了根据本公开一些实施例的模型训练和利用该模型训练方法进行交通事件发生概率评估的示例流程图200。该示例流程图200包括从对第一神经网络模型进行预训练到利用第二神经网络模型进行交通事件发生概率预测的整个流程。
56.首先，对第一神经网络模型进行训练，以便获取目标道路的路段风险预测值序列。
57.在步骤210中，首先提取针对预设时间和预设路段内全部车辆的轨迹数据和速度。车辆的轨迹可以是例如全球定位系统gps轨迹数据。gps轨迹数据通常包括采样率和渗透率两个衡量维度。在通常情况下，对轨迹数据的渗透率没有具体要求。而在车辆的gps轨迹数据中至少包括在给定采样率下的车辆的坐标。采样率针对不同的路面应用场景具有不同的要求：针对城市道路，采样率通常不低于15hz；针对高速公路，采样率通常不低于30hz。如本领域技术人员所理解的，采样率不限于上述示例，也可以是其他合适的频率。
58.上述车辆的轨迹数据通常以路段和路口为最小空间单位，以表征城市或高速道路的道路拓扑结构。
59.在一个示例中，还提取针对预设时间和预设路段的气象数据。气象数据通常以区域为空间粒度(例如，xx城市的xx区)。因此在获取预设路段的气象数据时，通常需要将气象数据所属区域与路段进行映射。例如，获取路段中心点与气象数据区域之间的映射关系，以动态实时地将气象数据与车辆的gps轨迹数据进行映射。
60.在步骤220中，对在步骤210中获取的数据进行预处理。该预处理包括但不限于清洗、筛选和平滑处理。
61.在一个实施例中，针对数据进行清洗和平滑处理。这里，车辆和路段的速度为本实施例指标。因此，使用j时刻轨迹点的相邻点计算平均速度，作为车辆行驶在t时刻的瞬时速度：
62.yj＝(d
j+1
/δ
j+1
+dj/δj)/2
63.其中，dj为车辆从j时刻到j+1时刻行驶的距离，δj为j时刻到j+1时刻的时间间隔，d
j+1
为车辆从j+1时刻到j+2时刻行驶的距离，δ
j+1
为j+1时刻到j+2时刻的时间间隔。
64.轨迹数据点的瞬时速度为信号波，其在t+1时间窗口的信号值可以用下式表示：
65.y
t+i
＝μ
t
+β
t
i+ε
t，i
66.其中，μ
t
为时间窗口t的基础信号分量，β
t
为时间窗口中心的斜率，c
t，i
为在时刻i上
的噪声分量，m为信号覆盖的空间距离。
67.时间窗口t内的残差可以表示为：
[0068][0069]
使用自适应lms滤波算法对轨迹的速度进行平滑处理，估算上式中的μ
t
和β
t
：
[0070][0071]
在另一实施例中，基于预定阈值删除车辆轨迹数据中的异常值。具体地，取每条车辆轨迹上的所有点，以速度连续和速度间隔两个指标进行轨迹点筛选和平滑，即设定车辆最低行驶速度阈值u(如3km/h)，车辆低于u则定义为异常低速行驶状态，即可认为车辆处于停止状态。当车辆在持续运行状态下(速度持续＞u)，对异常超低速点位使用lms算法进行过滤；当车辆处于持续停车状态(速度持续＜＝u)，对异常速度突增的点位使用lms算法进行过滤。
[0072]
在另一实施例中，计算每条轨迹的平均采样间隔g，找到该轨迹上前后时间差大于平均采样间隔的正整数倍之间的数据，即time＞n*g的两点(n为正整数)。响应于在所述预定采样率的整数倍时间内缺失所述车辆轨迹数据，对该时间段内的车辆轨迹数据进行补全。这里存在数据缺失，缺失原因可能为本身设备采样缺失，也可能为lms算法对异常值过滤导致。对缺失数据点速度进行补全，并在路段上反推轨迹点位置。在一个示例中，补全可以采用均值补全，即采用缺失数据前后两点轨迹数据(例如，速度)的平均值对中间缺失点进行补全。
[0073]
在步骤230中，计算路段中车辆的交通状态和相应车辆驾驶行为的指标。车辆的交通状态和相应车辆驾驶行为的指标是判断针对预设路段是否发生交通事件的重要输入。针对这两个指标，通常计算以路段作为最小计算单位。路段通常预先在路网数据中定义。针对城市道路，路段通常被定义为两个相邻交叉路口之间的道路。针对高速公路，路段通常被定义为两个匝道口之间的道路。在一个示例中，也可以针对道路的业务需求进行定义，例如基于管辖范围和交通设计参数分级进行定义。在另一个示例中，计算时间的最小单位可以基于用户的自定义，例如，以1min为最小单位。下面，将道路交通数据划分到多个时空切片中，得到多个时空切片中每个时空切片对应的子道路交通数据，每个时空切片与在时间维度上针对预设时间段划分的一个时间切片、和在空间维度上针对预设路段划分的一个空间切片相对应。在每个最小时空切片的粒度下，计算车辆的下述交通状态和相应车辆驾驶行为的指标。
[0074]
在一个实施例中，车辆的交通状态和相应车辆驾驶行为的指标包括空间平均速度。空间平均速度表征的是任意路段的调和车速平均值，表征路段的平均通过速度，计算公式如下：
[0075][0076]
[0077]
其中，为任意路段的平均通过时间，n为时空切片上的车辆轨迹数，d为任意路段的长度，ui为第i个轨迹通过此路段的平均行驶速度。
[0078]
在一个实施例中，车辆的交通状态和相应车辆驾驶行为的指标包括速度方差。速度方差计算公式为：
[0079]
vars＝(u
i-us)2/n
[0080]
其中，vars为根据空间平均速度计算出来的速度方差。
[0081]
在又一实施例中，车辆的交通状态和相应车辆驾驶行为的指标包括急加速次数和平均急加速幅度。车辆瞬时加速度为根据车辆轨迹前后轨迹点之间速度差和时间差来计算：
[0082]
acc
t
＝(u
t+1-u
t
)/delta
t
[0083]
根据瞬时加速度和给定加速度阈值acc
haz
＞0来判定急加速行为：如果acc
t
＞acc
haz
则车辆记一次急加速行为。acc
haz
为经验值，一般和路段的道路等级、车道数、路段设计速度或限速有关。统计时间粒度内一个路段的所有急加速行为次数，记为该路段在该时间片上的急加速次数。路段i在一个时间片内的平均急加速幅度为：
[0084]
avgacci＝sumj(acc
i，j-acc
haz
)/n
[0085]
其中acc
i，j
为路段i在一个时间段内的急加速点j的加速度，sumj为对j求和的函数。
[0086]
在又一实施例中，车辆的交通状态和相应车辆驾驶行为的指标包括急减速次数和平均急减速幅度。与急加速次数和平均急加速幅度类似，给定急减速的加速度dec
haz
＜0，根据加速度acc
t
＜dec
haz
判定车辆急减速行为。dec
haz
为经验值，一般和路段的道路等级、车道数、路段设计速度或限速有关。统计时间粒度内一个路段的所有急减速行为次数，记为该路段在该时间片上的急减速次数。路段i在一个时间片内的平均急加速幅度为：
[0087]
avgdeci＝sumk(dec
haz-acc
i，k
)/n
[0088]
其中acc
i，k
为路段i在一个时间段内的急减速点k的加速度，sumk为对k求和的函数。
[0089]
如本领域技术人员所理解的，车辆的交通状态和相应车辆驾驶行为的指标不限于上述指标，还可以包括：诸如空间平均速度、流量、速度方差等的交通状态特征；诸如冲突点数等的交通冲突特征；诸如车道数、路段限速、平均曲率、纵坡等的道路设计特征；诸如是否为匝道路段、桥梁、隧道等的poi(point of interest，兴趣点)特征；诸如急加速、急减速、超速次数等的驾驶行为特征。
[0090]
在步骤240中，实时地利用第一神经网络模型对路段进行监测和训练。在实时进行监测时，首先确定待进行预设道路交通事件发生概率评估的目标地点。通常，目标地点以路段为基本单位。然后，针对所述目标地点获取的目标道路交通数据划分时间切片。以第一时间为时间窗口，以第一频率为时间窗口的更新频率，通过将所述目标时空切片对应的目标道路交通数据输入第一神经网络模型进行处理，输出所述目标道路的路段风险预测值序列。例如，设定滑动窗口的更新频率f，f可以取1次/分钟，即每分钟使用训练好的模型进行一次预测，输出下一个时间切片的路段风险。
[0091]
值得注意的是，第一神经网络模型的参数也需要进行定期更新。设计模型更新第二频率f，f通常取1次/周，即每周重新训练一次模型。第一频率f和第二频率f的取值与模型
integrated moving average model差分整合移动平均自回归模型)、sarima(seasonal autoregressive integrated moving average，季节性差分自回归滑动平均模型)、varima(vector auto regression integrated moving average，向量求和自回归移动平均模型)、garch(generalized autoregressive conditional heteroskedasticity，广义自回归条件异方差模型)、mlp(multilayer perceptron，多层感知机)、决策树模型等。该实时预测的方法在图4中具体示意性示出。这里，实时取路段i在当前时间点t时刻的路段风险时间序列r
it
，以及同样的时间周期取路段平均速度时间序列u
it
、速度方差时间序列uv
it
、流量时间序列f
it
、流量方差时间序列fv
it
，以及当前时刻在全天的序号(如以1min为时间片长度，则0:30的序号为30)、星期、工作日/非工作日等时间信息，作为模型输入特征。以历史下一时间片内的事件发生作为输出(0代表该路段在该时间片内没有发生交通事件，1代表该路段在该之间片内发生了交通事件)，构建时间序列模型。即如图4中所示，输入模块410中包括：由第一神经网络模型输出的路段风险时间序列411。在一些实施例中，输入模块410还包括：路段平均速度时间序列412、路段速度方差时间序列413、路段流量时间序列414、路段流量方差时间序列415和路段的相应时间特征和环境特征416中的一个或多个。
[0108]
在将上述数据输入预测模型417(即，第二神经网络模型)后，输出设道路的交通事件发生概率418。
[0109]
返回图2，在步骤270中，进一步通过用户界面对交通事件检测的列表和交通事件预测结果进行显示。
[0110]
图5示意性示出了根据本公开一些实施例的模型训练方法500的示例流程图。
[0111]
这里，模型指的是第一神经网络模型。第一神经网络模型可以为地理加权神经网络gwann。gwann的网络结构与人工神经网络ann或多层感知机(mlp)类似，至少包括输入层、隐藏层和输出层。
[0112]
在步骤510中，获取预设时间段内预设路段中的道路交通数据。所述道路交通数据至少包括车辆轨迹数据和路网拓扑数据。车辆的轨迹可以是例如全球定位系统gps轨迹数据。gps轨迹数据通常包括采样率和渗透率两个衡量维度。在通常情况下，对轨迹数据的渗透率没有具体要求。而在车辆的gps轨迹数据中至少包括在给定采样率下的车辆的坐标。采样率针对不同的路面应用场景具有不同的要求：针对城市道路与，采样率通常不低于15hz，针对高速公路，采样率通常不低于30hz。如本领域技术人员所理解的，采样率不限于上述示例，也可以是其他合适的频率。上述车辆的轨迹数据通常以路段和路口为最小空间单位，以表征城市或高速道路的道路拓扑结构。
[0113]
在一个实施例中，道路交通数据还包括气象数据。气象数据针对多个分区进行划分，所述多个分区中的每一个与所述预设路段具有映射关系。气象数据通常以区域为空间粒度(例如，xx城市的xx区)。因此在获取预设路段的气象数据时，通常需要将气象数据所属区域与路段进行映射。例如，获取路段中心点与气象数据区域之间的映射关系，以动态实时地将气象数据与车辆的gps轨迹数据进行映射。
[0114]
在一个实施例中，路网拓扑数据至少包括：所述预设路段内的所有车辆通过所述预设路段的平均通过速度、车辆速度方差、紧急加速次数、紧急加速幅度、紧急减速次数、紧急减速幅度中的一个或多个。关于这些参数的描述参照图2的交通状态和驾驶行为部分的相关描述，在此不再赘述。
[0115]
在步骤520中，将所述道路交通数据划分到多个时空切片中，得到所述多个时空切片中每个时空切片对应的子道路交通数据，所述每个时空切片与在时间维度上针对所述预设时间段划分的一个时间切片、和在空间维度上针对所述预设路段划分的一个空间切片相对应。
[0116]
在一个实施例中，子道路交通数据包括针对所述子道路的车辆轨迹数据，所述针对所述子道路的车辆轨迹数据是基于所述预设时间段和所述预设路段针对车辆轨迹数据以预定采样率进行采样得到的。车辆的轨迹可以是例如全球定位系统gps轨迹数据。gps轨迹数据通常包括采样率和渗透率两个衡量维度。在通常情况下，对轨迹数据的渗透率没有具体要求。而在车辆的gps轨迹数据中至少包括在给定采样率下的车辆的坐标。采样率针对不同的路面应用场景具有不同的要求：针对城市道路与，采样率通常不低于15hz，针对高速公路，采样率通常不低于30hz。如本领域技术人员所理解的，采样率不限于上述示例，也可以是其他合适的频率。
[0117]
在步骤530中，将每个时空切片对应的子道路交通数据输入第一神经网络模型，所述第一神经网络模型的网络参数包括与时空切片相关的地理加权值，第一神经网络模型对该时空切片对应的子道路交通数据进行处理，输出所述子道路的路段风险预测值。各路段的风险(ttc)值通常0到1之间。
[0118]
在步骤540中，对所述第一神经网络模型进行训练，使得所述路段风险预测值相对于路段风险预测值真值标签的误差最小。在针对gwann进行训练时，以最小化地理加权误差为模型的优化目标。地理加权误差e可以表示为：
[0119][0120]
其中oi为输出层神经元i的输出值，ti为目标值，vi是输出值与目标值之间的地理加权距离。加权距离可以根据实际需求，基于多种函数来计算，其中，常用的基于高斯核函数的权重vi的计算如下：
[0121][0122]
其中d
ij
是输出特征所在路段j与输出神经元所代表路段i中心点之间的距离。
[0123]
模型的激活函数常采用sigmoid函数：
[0124][0125]
使用梯度下降法迭代优化地理加权误差方程，最小化e的值，得到最终的模型参数。
[0126]
值得注意的是，在向上述第一神经网络模型连续输入子道路交通数据的情况下，输出的路段风险预测值组成路段风险预测值序列。
[0127]
根据本实施例的第一神经网络模型训练方法，以路段历史真实事件为标签来标定和训练事件检测模型，使事件检测模型能够根据事前的事件发生结合事后真实交通状态快速做出判断，对事件的发生进行快速和精准的检测。输出路段风险预测值序列可以被直接用于交通领域，例如作为交通安全管理、拥堵治理、交通调度指挥和应急调度指挥的重要数据来源和依据。
[0128]
图6示意性示出了根据本公开一些实施例的交通事件发生概率的评估方法600的示意图。
[0129]
这里第二神经网络模型(其用于交通事件发生概率预测)以第一神经网络模型输出的路段风险预测值序列为输入，实时对目标路段的交通事件发生风险进行预测。
[0130]
具体地，在步骤610中，输入待进行预设道路交通事件发生概率评估的目标地点。通常，目标地点以路段为单位，即为路网拓扑数据的最小空间单位。
[0131]
在步骤620中，针对所述目标地点划分时间切片。例如将长度为第一时间的时间窗口划分成n个时间切片，n为正整数。
[0132]
在步骤630中，获取所述时间切片对应的目标道路交通数据。即，针对已经划分的最小时间单位和空间单位获取相应的目标道路交通数据。如前所述，交通数据包括但不限于车辆轨迹数据和路网拓扑数据。
[0133]
在步骤640中，以第一时间为时间窗口，以第一频率为所述时间窗口的更新频率，通过将所述目标时空切片对应的目标道路交通数据输入第一神经网络模型进行处理，输出所述目标道路的路段风险预测值序列。这里第一神经网络的结构可以如图4中所示。第一神经网络可以是基于图5中的方法500进行预先训练的。在向第一神经网络模型连续输入子道路交通数据的情况下，输出的路段风险预测值组成路段风险预测值序列。例如，设定滑动窗口的更新频率f，f可以取1次/分钟，即每分钟使用训练好的模型进行一次预测，输出下一个时间切片的路段风险。第一神经网络模型的参数也需要进行定期更新，设计模型更新第二频率f，f通常取1次/周，即每周重新训练一次模型。第一频率f和第二频率f的取值与模型大小、硬件计算能力和业务需求有关。
[0134]
在一个实施例中，第二神经网络为用于时间序列处理的经过预训练的二分类模型，所述第二神经网络预先以历史路段风险时间序列作为输入，以历史道路交通事件发生概率作为输出标签训练。
[0135]
在一个实施例中，所述第一神经网络模型以模型更新频率进行重新训练以对所述神经网络模型中的参数进行更新，所述模型更新频率小于所述时间窗口更新第一频率。
[0136]
在步骤650中，将所述目标道路的路段风险预测值序列和目标地点的路网拓扑数据输入第二神经网络模型，所述第二神经网络用于对所述交通事件发生概率进行评估。在一个示例中，第二神经网络模型包括但不限于arima差分整合移动平均自回归模型、sarima季节性差分自回归滑动平均模型、varima向量求和自回归移动平均模型、garch广义自回归条件异方差模型、mlp多层感知机、决策树模型等。
[0137]
最后，在步骤660中，生成预设道路的交通事件发生概率。
[0138]
这里提供的交通事件发生概率评估方法和装置，与路侧设备解耦，不受路侧设备的覆盖范围限制，提升了事件检测覆盖度和灵活性。以路段历史真实事件为标签来标定和训练事件检测模型，实时主动监测道路路段的交通事件发生概率，将路段风险预测值序列作为输入，同时输入路段的交通状态指标、环境因素等，使事件检测模型能够根据事前的事件发生结合事后真实交通状态快速做出判断，对事件的发生进行快速和精准的检测。降低了交通事件的误报和漏报概率。
[0139]
图7示意性示出了根据本公开一些实施例的模型训练装置700的示例框图。如图7所示，模型训练装置700包括：获取模块710，被配置成获取预设时间段内预设路段中的道路
交通数据，道路交通数据至少包括车辆轨迹数据和路网拓扑数据；划分模块720，被配置成将道路交通数据划分到多个时空切片中，得到多个时空切片中每个时空切片对应的子道路交通数据，每个时空切片与在时间维度上针对预设时间段划分的一个时间切片、和在空间维度上针对预设路段划分的一个空间切片相对应；输入模块730，被配置成将每个时空切片对应的子道路交通数据输入第一神经网络模型，第一神经网络模型的网络参数包括与时空切片相关的地理加权值，第一神经网络模型对该时空切片对应的子道路交通数据进行处理，输出子道路的路段风险预测值；以及训练模块740，被配置成对第一神经网络模型进行训练，使得路段风险预测值相对于路段风险预测值真值标签的误差最小。其中，路段风险预测值指示该时空切片所对应的空间切片上、任意两个或多个车辆在时空切片对应的时间切片的下一时间切片上发生碰撞的概率。
[0140]
应理解，模型训练装置700可以以软件、硬件或软硬件相结合的方式实现。多个不同模块可以在同一软件或硬件结构中实现，或者一个模块可以由多个不同的软件或硬件结构实现。
[0141]
此外，模型训练装置700可以用于实施前文所描述的模型训练方法500，其相关细节已经在前文中详细描述，为简洁起见，在此不再重复。模型训练装置700可以具有与关于前述方法描述的相同的特征和优势。
[0142]
图8示意性示出了根据本公开一些实施例的交通事件发生概率的评估装置800的示例框图。交通事件发生概率的评估装置800包括：输入模块810，被配置成输入待进行预设道路交通事件发生概率评估的目标地点；划分模块820，被配置成针对目标地点划分时间切片；获取模块830，被配置成获取目标时间切片对应的目标道路交通数据；风险预测值序列生成模块840，被配置成以第一时间为时间窗口，以第一频率为时间窗口的更新频率，通过将目标时空切片对应的目标道路交通数据输入第一神经网络模型进行处理，输出目标道路的路段风险预测值序列；评估模块850，被配置成将目标道路的路段风险预测值序列和目标地点的路网拓扑数据输入第二神经网络模型，第二神经网络模型用于对交通事件发生概率进行评估；以及生成模块860，被配置成生成预设道路的交通事件发生概率。
[0143]
应理解，交通事件发生概率的评估装置800可以以软件、硬件或软硬件相结合的方式实现。多个不同模块可以在同一软件或硬件结构中实现，或者一个模块可以由多个不同的软件或硬件结构实现。
[0144]
此外，交通事件发生概率的评估装置800可以用于实施前文所描述的交通事件发生概率的评估方法600，其相关细节已经在前文中详细描述，为简洁起见，在此不再重复。交通事件发生概率的评估装置800可以具有与关于前述方法描述的相同的特征和优势。
[0145]
图9图示了示例系统900，其包括代表可以实现本文描述的各种方法的一个或多个系统和/或设备的示例计算设备910。计算设备910可以是例如服务提供商的服务器、与服务器相关联的设备、片上系统、和/或任何其它合适的计算设备或计算系统。上面参照图7/8描述的模型训练装置700/交通事件发生概率评估装置800可以采取计算设备910的形式。替换地，图7/8描述的模型训练装置700/交通事件发生概率评估装置800可以以应用916的形式被实现为计算机程序。
[0146]
如图示的示例计算设备910包括彼此通信耦合的处理系统911、一个或多个计算机可读介质912以及一个或多个i/o接口913。尽管未示出，但是计算设备910还可以包括系统
总线或其他数据和命令传送系统，其将各种组件彼此耦合。系统总线可以包括不同总线结构的任何一个或组合，总线结构诸如存储器总线或存储器控制器、外围总线、通用串行总线、和/或利用各种总线架构中的任何一种的处理器或局部总线。还构思了各种其他示例，诸如控制和数据线。
[0147]
处理系统911代表使用硬件执行一个或多个操作的功能。因此，处理系统911被图示为包括可被配置成处理器、功能块等的硬件元件914。这可以包括在硬件中实现为专用集成电路或使用一个或多个半导体形成的其它逻辑器件。硬件元件914不受其形成的材料或其中采用的处理机构的限制。例如，处理器可以由(多个)半导体和/或晶体管(例如，电子集成电路(ic))组成。在这样的上下文中，处理器可执行指令可以是电子可执行指令。
[0148]
计算机可读介质912被图示为包括存储器/存储装置915。存储器/存储装置915表示与一个或多个计算机可读介质相关联的存储器/存储容量。存储器/存储装置915可以包括易失性介质(诸如随机存取存储器(ram))和/或非易失性介质(诸如只读存储器(rom)、闪存、光盘、磁盘等)。存储器/存储装置915可以包括固定介质(例如，ram、rom、固定硬盘驱动器等)以及可移动介质(例如，闪存、可移动硬盘驱动器、光盘等)。计算机可读介质912可以以下面进一步描述的各种其他方式进行配置。
[0149]
一个或多个i/o接口913代表允许用户使用各种输入设备向计算设备910输入命令和信息并且可选地还允许使用各种输出设备将信息呈现给用户和/或其他组件或设备的功能。输入设备的示例包括键盘、光标控制设备(例如，鼠标)、麦克风(例如，用于语音输入)、扫描仪、触摸功能(例如，被配置成检测物理触摸的容性或其他传感器)、相机(例如，可以采用可见或不可见的波长(诸如红外频率)将不涉及触摸的运动检测为手势)等等。输出设备的示例包括显示设备、扬声器、打印机、网卡、触觉响应设备等。因此，计算设备910可以以下面进一步描述的各种方式进行配置以支持用户交互。
[0150]
计算设备910还包括应用916。应用916可以例如是用于图7/8描述的模型训练装置700/交通事件发生概率评估装置800的软件实例，并且与计算设备910中的其他元件相组合地实现本文描述的技术。
[0151]
本技术提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算设备执行上述各种可选实现方式中提供的模型训练方法/交通事件发生概率评估方法。
[0152]
本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。一般地，这些模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元素、组件、数据结构等。本文所使用的术语“模块”，“功能”和“组件”一般表示软件、固件、硬件或其组合。本文描述的技术的特征是与平台无关的，意味着这些技术可以在具有各种处理器的各种计算平台上实现。
[0153]
所描述的模块和技术的实现可以存储在某种形式的计算机可读介质上或者跨某种形式的计算机可读介质传输。计算机可读介质可以包括可由计算设备910访问的各种介质。作为示例而非限制，计算机可读介质可以包括“计算机可读存储介质”和“计算机可读信号介质”。
[0154]
与单纯的信号传输、载波或信号本身相反，“计算机可读存储介质”是指能够持久
存储信息的介质和/或设备，和/或有形的存储装置。因此，计算机可读存储介质是指非信号承载介质。计算机可读存储介质包括诸如易失性和非易失性、可移动和不可移动介质和/或以适用于存储信息(诸如计算机可读指令、数据结构、程序模块、逻辑元件/电路或其他数据)的方法或技术实现的存储设备之类的硬件。计算机可读存储介质的示例可以包括但不限于ram、rom、eeprom、闪存或其它存储器技术、cd-rom、数字通用盘(dvd)或其他光学存储装置、硬盘、盒式磁带、磁带，磁盘存储装置或其他磁存储设备，或其他存储设备、有形介质或适于存储期望信息并可以由计算机访问的制品。
[0155]“计算机可读信号介质”是指被配置成诸如经由网络将指令发送到计算设备910的硬件的信号承载介质。信号介质典型地可以将计算机可读指令、数据结构、程序模块或其他数据体现在诸如载波、数据信号或其它传输机制的调制数据信号中。信号介质还包括任何信息传递介质。术语“调制数据信号”是指这样的信号，该信号的特征中的一个或多个被设置或改变，从而将信息编码到该信号中。作为示例而非限制，通信介质包括诸如有线网络或直接连线的有线介质以及诸如声、rf、红外和其它无线介质的无线介质。
[0156]
如前，硬件元件914和计算机可读介质912代表以硬件形式实现的指令、模块、可编程器件逻辑和/或固定器件逻辑，其在一些实施例中可以用于实现本文描述的技术的至少一些方面。硬件元件可以包括集成电路或片上系统、专用集成电路(asic)、现场可编程门阵列(fpga)、复杂可编程逻辑器件(cpld)以及硅中的其它实现或其他硬件设备的组件。在这种上下文中，硬件元件可以作为执行由硬件元件所体现的指令、模块和/或逻辑所定义的程序任务的处理设备，以及用于存储用于执行的指令的硬件设备，例如，先前描述的计算机可读存储介质。
[0157]
前述的组合也可以用于实现本文的各种技术和模块。因此，可以将软件、硬件或程序模块和其它程序模块实现为在某种形式的计算机可读存储介质上和/或由一个或多个硬件元件914体现的一个或多个指令和/或逻辑。计算设备910可以被配置成实现与软件和/或硬件模块相对应的特定指令和/或功能。因此，例如通过使用处理系统的计算机可读存储介质和/或硬件元件914，可以至少部分地以硬件来实现将模块实现为可由计算设备910作为软件执行的模块。指令和/或功能可以由一个或多个制品(例如，一个或多个计算设备910和/或处理系统911)可执行/可操作以实现本文所述的技术、模块和示例。
[0158]
在各种实施方式中，计算设备910可以采用各种不同的配置。例如，计算设备910可以被实现为包括个人计算机、台式计算机、多屏幕计算机、膝上型计算机、上网本等的计算机类设备。计算设备910还可以被实现为包括诸如移动电话、便携式音乐播放器、便携式游戏设备、平板计算机、多屏幕计算机等移动设备的移动装置类设备。计算设备910还可以实现为电视类设备，其包括具有或连接到休闲观看环境中的一般地较大屏幕的设备。这些设备包括电视、机顶盒、游戏机等。
[0159]
本文描述的技术可以由计算设备910的这些各种配置来支持，并且不限于本文所描述的技术的具体示例。功能还可以通过使用分布式系统、诸如通过如下所述的平台922而在“云”920上全部或部分地实现。
[0160]
云920包括和/或代表用于资源924的平台922。平台922抽象云920的硬件(例如，服务器)和软件资源的底层功能。资源924可以包括在远离计算设备910的服务器上执行计算机处理时可以使用的应用和/或数据。资源924还可以包括通过因特网和/或通过诸如蜂窝
或wi-fi网络的订户网络提供的服务。
[0161]
平台922可以抽象资源和功能以将计算设备910与其他计算设备连接。平台922还可以用于抽象资源的分级以提供遇到的对于经由平台922实现的资源924的需求的相应水平的分级。因此，在互连设备实施例中，本文描述的功能的实现可以分布在整个系统900内。例如，功能可以部分地在计算设备910上以及通过抽象云920的功能的平台922来实现。
[0162]
应当理解，为清楚起见，参考不同的功能单元对本技术的实施例进行了描述。然而，将明显的是，在不偏离本技术的情况下，每个功能单元的功能性可以被实施在单个单元中、实施在多个单元中或作为其它功能单元的一部分被实施。例如，被说明成由单个单元执行的功能性可以由多个不同的单元来执行。因此，对特定功能单元的参考仅被视为对用于提供所描述的功能性的适当单元的参考，而不是表明严格的逻辑或物理结构或组织。因此，本技术可以被实施在单个单元中，或者可以在物理上和功能上被分布在不同的单元和电路之间。
[0163]
尽管已经结合一些实施例描述了本技术，但是其不旨在被限于在本文中所阐述的特定形式。相反，本技术的范围仅由所附权利要求来限制。附加地，尽管单独的特征可以被包括在不同的权利要求中，但是这些可以可能地被有利地组合，并且包括在不同权利要求中不暗示特征的组合不是可行的和/或有利的。特征在权利要求中的次序不暗示特征必须以其工作的任何特定次序。此外，在权利要求中，词“包括”不排除其它元件，并且术语“一”或“一个”不排除多个。权利要求中的附图标记仅作为明确的例子被提供，不应该被解释为以任何方式限制权利要求的范围。
[0164]
可以理解的是，在本技术的具体实施方式中，涉及到实体的违约信息等实体相关的数据。当本技术以上实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

技术特征：
1.一种模型训练方法，其特征在于，所述方法包括：获取预设时间段内预设路段中的道路交通数据，所述道路交通数据至少包括车辆轨迹数据和路网拓扑数据；将所述道路交通数据划分到多个时空切片中，得到所述多个时空切片中每个时空切片对应的子道路交通数据，所述每个时空切片与在时间维度上针对所述预设时间段划分的一个时间切片、和在空间维度上针对所述预设路段划分的一个空间切片相对应；将每个时空切片对应的子道路交通数据输入第一神经网络模型，所述第一神经网络模型的网络参数包括与时空切片相关的地理加权值，第一神经网络模型对该时空切片对应的子道路交通数据进行处理，输出所述子道路的路段风险预测值；以及对所述第一神经网络模型进行训练，使得所述路段风险预测值相对于路段风险预测值真值标签的误差最小，其中，所述路段风险预测值指示该时空切片所对应的空间切片上、任意两个或多个车辆在所述时空切片对应的时间切片的下一时间切片上发生碰撞的概率。2.如权利要求1所述的方法，其中所述道路交通数据还包括气象数据，所述气象数据针对多个分区进行划分，所述多个分区中的每一个与所述预设路段具有映射关系。3.如权利要求1所述的方法，其中所述子道路交通数据包括针对所述子道路的车辆轨迹数据，所述针对所述子道路的车辆轨迹数据是基于所述预设时间段和所述预设路段针对车辆轨迹数据以预定采样率进行采样得到的。4.如权利要求3所述的方法，其中所述车辆轨迹数据在输入所述第一神经网络模型前预先经过筛选处理，所述筛选包括：基于预定阈值删除所述车辆轨迹数据中的异常值。5.如权利要求3所述的方法，其中所述车辆轨迹数据在输入所述第一神经网络模型前预先经过平滑处理，所述平滑包括：响应于在所述预定采样率的整数倍时间内缺失所述车辆轨迹数据，对该时间段内的车辆轨迹数据进行补全。6.如权利要求1所述的方法，其中所述路网拓扑数据至少包括：所述预设路段内的所有车辆通过所述预设路段的平均通过速度、车辆速度方差、紧急加速次数、紧急加速幅度、紧急减速次数、紧急减速幅度中的一个或多个。7.一种第一神经网络模型，其特征在于，所述第一神经网络模型包括：输入层、隐藏层和输出层；所述输入层、所述隐藏层和所述输出层各自包括网络参数，并且所述网络参数包括与时空切片相关的地理加权值，所述时空切片中的每一个与在时间维度上针对预设时间段划分的一个时间切片、和在空间维度上针对预设路段划分的一个空间切片相对应；其中，所述第一神经网络模型经过如权利要求1所述的模型训练方法进行训练。8.一种交通事件发生概率的评估方法，其特征在于，所述方法包括：输入待进行预设道路交通事件发生概率评估的目标地点；针对所述目标地点划分时间切片；获取与所述目标地点和所述时间切片对应的目标道路交通数据；以第一时间为时间窗口，以第一频率为所述时间窗口的更新频率，通过将所述目标时空切片对应的目标道路交通数据输入如权利要求7所述的第一神经网络模型进行处理，输出所述目标道路的路段风险预测值序列；
将所述目标道路的路段风险预测值序列和目标地点的路网拓扑数据输入第二神经网络模型，所述第二神经网络模型用于对所述交通事件发生概率进行评估；以及生成预设道路的交通事件发生概率。9.如权利要求8所述的方法，其中所述第二神经网络模型为用于时间序列处理的经过预训练的二分类模型，所述第二神经网络模型预先以历史路段风险时间序列作为输入，以历史道路交通事件发生概率作为输出标签训练。10.如前述权利要求1-6和8-9中任一项所述的方法，其中所述第一神经网络模型以用于模型更新的第二频率进行重新训练以对所述神经网络模型中的参数进行更新，所述模型更新频率小于所述时间窗口更新第一频率。11.一种模型训练装置，其特征在于，所述装置包括：获取模块，被配置成获取预设时间段内预设路段中的道路交通数据，所述道路交通数据至少包括车辆轨迹数据和路网拓扑数据；划分模块，被配置成将所述道路交通数据划分到多个时空切片中，得到所述多个时空切片中每个时空切片对应的子道路交通数据，所述每个时空切片与在时间维度上针对所述预设时间段划分的一个时间切片、和在空间维度上针对所述预设路段划分的一个空间切片相对应；输入模块，被配置成将每个时空切片对应的子道路交通数据输入第一神经网络模型，所述第一神经网络模型的网络参数包括与时空切片相关的地理加权值，第一神经网络模型对该时空切片对应的子道路交通数据进行处理，输出所述子道路的路段风险预测值；以及训练模块，被配置成对所述第一神经网络模型进行训练，使得所述路段风险预测值相对于路段风险预测值真值标签的误差最小；其中，所述路段风险预测值指示该时空切片所对应的空间切片上、任意两个或多个车辆在所述时空切片对应的时间切片的下一时间切片上发生碰撞的概率。12.一种交通事件发生概率的评估装置，其特征在于，所述装置包括：输入模块，被配置成输入待进行预设道路交通事件发生概率评估的目标地点；划分模块，被配置成针对所述目标地点划分时间切片；获取模块，被配置成获取与所述目标地点和所述时间切片对应的目标道路交通数据；风险预测值序列生成模块，被配置成以第一时间为时间窗口，以第一频率为所述时间窗口的更新频率，通过将所述目标时空切片对应的目标道路交通数据输入如权利要求7所述的第一神经网络模型进行处理，输出所述目标道路的路段风险预测值序列；评估模块，被配置成将所述目标道路的路段风险预测值序列和目标地点的路网拓扑数据输入第二神经网络模型，所述第二神经网络模型用于对所述交通事件发生概率进行评估；以及生成模块，被配置成生成预设道路的交通事件发生概率。13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1-6和8-10中任一项所述的方法中的步骤。14.一种计算机设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可以在所述处理器上运行的计算机程序，以执行权利要求1-6和8-10中任一项所述的方法中
的步骤。

技术总结
本公开提供了模型训练方法和装置、交通事件发生概率评估方法和装置。方法包括：输入待进行预设道路交通事件发生概率评估的目标地点；针对目标地点划分时间切片；获取目标时间切片对应的目标道路交通数据；以第一时间为时间窗口，第一频率为时间窗口的更新频率，通过将目标时空切片对应的目标道路交通数据输入第一神经网络模型进行处理，输出目标道路的路段风险预测值序列；将目标道路的路段风险预测值序列和目标地点的路网拓扑数据输入第二神经网络模型，第二神经网络模型用于对交通事件发生概率进行评估；以及生成预设道路的交通事件发生概率。本发明可应用于交通领域，对交通事件的发生进行快速和精准的检测，降低了交通事件的误报和漏报概率。事件的误报和漏报概率。事件的误报和漏报概率。


技术研发人员：孟繁宇
受保护的技术使用者：腾讯科技（深圳）有限公司
技术研发日：2023.04.13
技术公布日：2023/7/21