一种高速公路路域风险预测方法及装置

本发明涉及智能交通，具体涉及一种高速公路路域风险预测方法及装置。

背景技术：

1、路域风险是由多个风险因素叠加共同发挥作用导致的。风险因素叠加，指的是在一个时间段，同时存在“人、车、路、环境”四个方面的多种风险因素，这些风险因素共同对一个主体发生作用，且在作用过程中不同风险因素可能会发生线性或者非线性的叠加作用。这些不同风险因素的叠加作用产生了路域风险，进而导致了交通事故的发生。

2、当前，在预测高速公路事故风险的方法中，主要分两种类型：一种是基于历史交通事故数据构建统计学模型，从宏观上预测未来交通事故的发生频率；另一种是基于危险交通流数据和历史交通事故数据预测短期（5分钟左右）发生交通事故的可能性。基于历史事故发生频率进行路域风险预测的方法多为统计学方法，是一种静态预测方法，反映的是宏观交通事故风险态势，且实时性不高。基于交通流数据和历史事故数据进行路域风险预测的方法多为机器学习方法，是一种动态预测方法，反映的是当前微观交通风险态势，实时性较高，大多研究的是预测短时间内（一般是5分钟左右）的情况，无法预测长时间的情况。通过对目前高速公路路域风险预测方法的分析，可以发现存在以下技术问题：

3、①非线性负二项回归、多元非线性回归、时间序列模型、tobit模型等数理统计方法，多用于通过高速公路历史事故数据，鉴别造成事故的危险因素，进而确定事故黑点、评估高速公路安全管理措施是否得当，不适用于预测可能导致发生交通事故的路域风险及路域风险因素。

4、②随机森林、支持向量机、logistics回归、贝叶斯学习器、神经网络等机器学习算法，其基本假设是实时交通流、道路几何线性、天气状况等因素是高速公路路域风险的主要风险因素，能识别动态交通系统中事故发生的前兆，进而预测短时间（一般为5分钟）内给定路段是否会发生交通事故；且大多数此类研究的问题是将事故风险等同于事故发生，忽视了对高速公路路域风险的量化研究，因此无法根据预测结果评估路域风险的大小，进而对主要风险因素进行干预，达到将高速公路路域风险降低至可接受程度的目的。

技术实现思路

1、针对现有技术中的问题，本发明实施例提供一种高速公路路域风险预测方法及装置，能够至少部分地解决现有技术中存在的问题。

2、一方面，本发明提出一种高速公路路域风险预测方法，包括：

3、获取与高速公路的路域风险预测相关的多源数据；

4、基于预设高速公路路域风险预测模型对所述多源数据进行路域风险预测，得到高速公路路域风险预测结果；

5、其中，所述高速公路路域风险预测模型根据高速公路路域风险预测样本数据训练组合模型得到，所述组合模型以全连接神经网络作为元分类器，以贝叶斯网络、支持向量机和k近邻作为基分类器，每个基分类器分别与所述元分类器相连；

6、根据预先获得的统计学模型的输出结果和所述高速公路路域风险预测结果，得到高速公路的路域风险优化预测结果。

7、其中，所述基于预设高速公路路域风险预测模型对所述多源数据进行路域风险预测，得到高速公路路域风险预测结果，包括：

8、对所述多源数据进行数据预处理以及特征提取，基于所述预设高速公路路域风险预测模型对提取的特征进行路域风险预测，得到高速公路路域风险预测结果。

9、其中，根据高速公路路域风险预测样本数据训练组合模型得到所述高速公路路域风险预测模型，包括：

10、对采集到的数据进行预处理；

11、根据预处理后的数据进行特征提取；

12、对提取的特征进行特征优化，对特征优化后的特征进行特征融合；

13、根据特征融合后的特征训练组合模型得到所述高速公路路域风险预测模型。

14、其中，所述对采集到的数据进行预处理，包括：

15、采集数据得到数据集；所述数据集包括具有非结构化数据类型的第一类数据，以及具有日志数据类型的第二类数据；

16、对所述第一类数据进行结构化处理，对所述第二类数据进行解析和二次计算，得到交通流数据；

17、对所述数据集中的数据进行清洗和格式化处理，得到标准化数据，划分所述标准化数据，得到训练集、验证集和测试集。

18、其中，所述根据预处理后的数据进行特征提取，包括：

19、对所述训练集中的数据进行过采样，对所述测试集中的数据不进行过采样；

20、从所述训练集、所述验证集和所述测试集中选择与路域风险预测相关的待选特征。

21、其中，所述数据集包括视频监控图像数据、所述交通流数据和结构化数据；相应的，所述从所述训练集、所述验证集和所述测试集中选择与路域风险预测相关的待选特征，包括：

22、使用卷积神经网络对与所述视频监控图像数据相对应的第一待选特征进行特征提取；

23、使用循环神经网络或长短期记忆网络对与所述交通流数据相对应的第二待选特征进行特征提取；

24、使用全连接神经网络或嵌入层对于所述结构化数据相对应的第三待选特征进行特征提取。

25、其中，所述根据特征融合后的特征训练组合模型得到所述高速公路路域风险预测模型，包括：

26、采用所述训练集训练每个基分类器，采用所述验证集训练所述元分类器；

27、在所述组合模型中添加多个输出层，并同时预测不同组合的预测结果；

28、使用反向传播算法和梯度下降优化器训练所述组合模型。

29、一方面，本发明提出一种高速公路路域风险预测装置，包括：

30、获取单元，用于获取与高速公路的路域风险预测相关的多源数据；

31、预测单元，用于基于预设高速公路路域风险预测模型对所述多源数据进行路域风险预测，得到高速公路路域风险预测结果；

32、其中，所述高速公路路域风险预测模型根据高速公路路域风险预测样本数据训练组合模型得到，所述组合模型以全连接神经网络作为元分类器，以贝叶斯网络、支持向量机和k近邻作为基分类器，每个基分类器分别与所述元分类器相连；

33、优化单元，用于根据预先获得的统计学模型的输出结果和所述高速公路路域风险预测结果，得到高速公路的路域风险优化预测结果。

34、再一方面，本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，

35、所述处理器和所述存储器通过所述总线完成相互间的通信；

36、所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：

37、获取与高速公路的路域风险预测相关的多源数据；

38、基于预设高速公路路域风险预测模型对所述多源数据进行路域风险预测，得到高速公路路域风险预测结果；

39、其中，所述高速公路路域风险预测模型根据高速公路路域风险预测样本数据训练组合模型得到，所述组合模型以全连接神经网络作为元分类器，以贝叶斯网络、支持向量机和k近邻作为基分类器，每个基分类器分别与所述元分类器相连；

40、根据预先获得的统计学模型的输出结果和所述高速公路路域风险预测结果，得到高速公路的路域风险优化预测结果。

41、本发明实施例提供一种非暂态计算机可读存储介质，包括：

42、所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如下方法：

43、获取与高速公路的路域风险预测相关的多源数据；

44、基于预设高速公路路域风险预测模型对所述多源数据进行路域风险预测，得到高速公路路域风险预测结果；

45、其中，所述高速公路路域风险预测模型根据高速公路路域风险预测样本数据训练组合模型得到，所述组合模型以全连接神经网络作为元分类器，以贝叶斯网络、支持向量机和k近邻作为基分类器，每个基分类器分别与所述元分类器相连；

46、根据预先获得的统计学模型的输出结果和所述高速公路路域风险预测结果，得到高速公路的路域风险优化预测结果。

47、本发明实施例提供的高速公路路域风险预测方法及装置，获取与高速公路的路域风险预测相关的多源数据；基于预设高速公路路域风险预测模型对所述多源数据进行路域风险预测，得到高速公路路域风险预测结果；其中，所述高速公路路域风险预测模型根据高速公路路域风险预测样本数据训练组合模型得到，所述组合模型以全连接神经网络作为元分类器，以贝叶斯网络、支持向量机和k近邻作为基分类器，每个基分类器分别与所述元分类器相连；根据预先获得的统计学模型的输出结果和所述高速公路路域风险预测结果，得到高速公路的路域风险优化预测结果，能够提高对高速公路的路域风险预测的准确性。