基于机器学习的车辆交通事故实时检测方法及系统与流程

本技术涉及数据处理，具体涉及基于机器学习的车辆交通事故实时检测方法及系统。

背景技术：

1、交通事故频发的主要原因包括行车途中对前方车况掌握不足、路况多变以及交通拥堵等因素。利用机器学习算法对道路上的车辆行驶相关信息进行建模和预测，可以精确地分析出路段不同位置车流变化过程中交通事故发生的概率。这种方法有助于更快速地识别潜在的事故风险，并向驾驶员或相关部门发出预警，从而有效降低交通事故发生的可能性，提升道路交通的整体安全性。

2、通常利用optics密度聚类算法对道路上车辆行驶相关信息进行聚类分析，以实现对车辆交通事故引发信息异常的位置的精准提取，便于后续车辆交通事故预测模型的构建，然而道路存在空间上的顺序关联特征的影响，使得路段不同位置的车流信息存在较大的相似性而难以有效区分车辆交通事故的信息变化与偶然性的施工、行人经过导致的车流信息变化，传统的密度聚类对车辆交通事故异常定位分析过程中，不同位置的空间几何距离作为相似度的度量忽略了顺序上不同位置的关联特征，导致错误分析车流信息发生异常变化的原因，影响车辆交通事故预测模型的构建，降低车辆交通事故实时检测的准确度。因此，需要结合车流信息响应的变化特征，灵活调整边缘计算的数据处理策略，以确保车辆交通事故实时检测结果的高效性与准确性。

技术实现思路

1、本发明提供基于机器学习的车辆交通事故实时检测方法及系统，以解决现有的问题。

2、本发明的基于机器学习的车辆交通事故实时检测方法及系统采用如下技术方案：

3、本发明一个实施例提供了基于机器学习的车辆交通事故实时检测方法及系统，该方法包括以下步骤：

4、将同一路段的每个车辆信息检测位置记为一个节点，采集同一路段在每个节点每个采样时刻的节点信息，根据节点信息构建每个节点在每个采样时刻的节点信息向量；

5、根据每个路段的不同节点的节点信息向量与整体节点信息向量数值变化的差异，获得每个路段的异常节点信息向量；根据同一节点在每个采样时刻的节点信息向量与所属路段的异常节点信息向量，获得每个节点在每个采样时刻的信息关联性；

6、根据每个节点在每个采样时刻的信息关联性以及同一节点产生异常变化的时间间隔，获得每个节点的信息响应度；

7、根据每个路段的每个节点的信息响应度和位置关系进行聚类，获得每个路段的节点输出序列；根据节点输出序列中相邻节点之间信息响应度的差异获得每个节点的关联度；

8、根据不同节点之间的空间位置关系构建每个节点的隶属邻域，根据每个节点与同一节点的隶属邻域内不同节点之间的关联度差异，获得每个节点与每个节点的隶属邻域的隶属度；

9、根据每个节点与每个节点的隶属邻域的隶属度，调整每个节点与每个节点的隶属邻域内不同节点之间的距离分布，并重新分类获得节点集合；节点集合用于实现车辆交通事故实时检测。

10、进一步地，所述根据每个路段的不同节点的节点信息向量与整体节点信息向量数值变化的差异，获得每个路段的异常节点信息向量，包括的具体步骤如下：

11、利用gps数据分析算法分析每个节点的所有采样时刻的车辆gps时间数据，获得节点上每个采集时刻的所有车辆停留时间，并计算每个节点所有车辆停留时间的均值，当节点的采样时刻的存在车辆停留时间大于这个节点上所有车辆停留时间的均值时，将该节点的该采样时刻的节点信息向量记为异常节点信息向量。

12、进一步地，所述根据同一节点在每个采样时刻的节点信息向量与所属路段的异常节点信息向量，获得每个节点在每个采样时刻的信息关联性，包括的具体步骤如下：

13、第i个节点的第t个采样时刻的信息关联性的计算方式为：

14、

15、式中，fi,t表示第i个节点的第t个采样时刻的信息关联性；ρi,t表示第i个节点的第t个采样时刻的节点信息向量；表示目标路段的标准节点信息向量；ni表示第i个节点的异常节点信息向量的数量；exp()表示以自然常数为底的指数函数；||表示取绝对值函数。

16、进一步地，所述标准节点信息向量的具体获取方式如下：

17、在同一路段的所有节点的所有采样时刻的节点信息向量中，计算节点信息向量的每个元素的均值，同一路段的所有元素的均值构成目标路段的标准节点信息向量。

18、进一步地，所述根据每个节点在每个采样时刻的信息关联性以及同一节点产生异常变化的时间间隔，获得每个节点的信息响应度，包括的具体步骤如下：

19、

20、式中，αi表示第i个节点的信息响应度；fi,t表示第i个节点的第t个采样时刻的信息关联性；ni表示第i个节点的异常节点信息向量的数量；ti,r-1表示第i个节点的第r-1个异常节点信息向量对应的采样时刻；ti,r表示第i个节点的第r个异常节点信息向量对应的采样时刻；dtw()表示计算dtw分数的函数；g({fi,t})表示与第i个节点的所有采样时刻的信息关联性序列经过高斯函数处理后的高斯权重序列；norm()为线性归一化函数；||表示取绝对值函数。

21、进一步地，所述根据节点输出序列中相邻节点之间信息响应度的差异获得每个节点的关联度，包括的具体步骤如下：

22、

23、式中，θi表示第i个节点的关联度，αi表示第i个节点的信息响应度，αi-1表示第i-1个节点的信息响应度，表示第i个节点的节点输出序列中第i个节点所在邻域内的所有节点的信息响应度的均值，exp()表示以自然常数为底的指数函数，||表示取绝对值函数。

24、进一步地，所述根据每个节点与同一节点的隶属邻域内不同节点之间的关联度差异，获得每个节点与每个节点的隶属邻域的隶属度，包括的具体步骤如下：

25、

26、式中，σa表示第a个节点与第a个节点的隶属邻域的隶属度；ra表示第a个节点的隶属邻域内节点的个数；表示第a个节点的隶属邻域的第个节点的关联度；表示第a个节点的隶属邻域的第个节点的关联度；表示第a个节点的隶属邻域的第个节点的节点信息向量；表示第a个节点的隶属邻域的第个节点的节点信息向量；exp()表示以自然常数为底的指数函数，||表示取绝对值函数。

27、进一步地，所述根据每个节点与每个节点的隶属邻域的隶属度，调整每个节点与每个节点的隶属邻域内不同节点之间的距离分布，并重新分类获得节点集合，包括的具体步骤如下：

28、根据目标路段的每个节点与每个节点的隶属邻域内不同节点之间的调整距离，进行optics聚类，聚类结果为若干节点集合。

29、进一步地，所述调整距离的具体获取方式如下：

30、

31、式中，表示第a个节点和第a个节点的隶属邻域内第b个节点之间的调整距离；da,b表示第a个节点和第a个节点的隶属邻域内第b个节点之间的欧式距离；σa表示第a个节点与第a个节点的隶属邻域的隶属度；σb表示第b个节点与第b个节点的隶属邻域的隶属度；表示第a个节点与第a个节点的隶属邻域的隶属度，和第a个节点的隶属邻域内每个节点与每个节点所在隶属邻域的隶属度之间的差值的均值。

32、本发明还提出了基于机器学习的车辆交通事故实时检测系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述存储器存储的计算机程序，以实现前述所述的基于机器学习的车辆交通事故实时检测方法的步骤。

33、本发明的技术方案的有益效果是：本发明获取同一路段每个节点在每个采样时刻的节点信息向量，用于体现节点信息变化的分布特征，以便分析每个节点在每个采样时刻的信息关联性；根据每个节点在每个采样时刻的信息关联性以及同一节点产生异常变化的时间间隔，获得每个节点的信息响应度，反映出当前节点多个车辆信息在此节点上节点信息出现异常变化的短时间响应特征；根据每个路段的每个节点的信息响应度和位置关系进行聚类，获得每个路段的节点输出序列，根据节点输出序列中相邻节点之间信息响应度的差异获得每个节点的关联度，从而获得相邻的两个节点的信息响应度的差异表现的相关程度；根据每个节点与同一节点的隶属邻域内不同节点之间的关联度差异，获得每个节点与每个节点的隶属邻域的隶属度，用来衡量节点与隶属邻域内节点在划分区间内的隶属关系调整的必要性；根据每个节点与每个节点的隶属邻域的隶属度，调整每个节点与每个节点的隶属邻域内不同节点之间的距离分布，重新聚类获得节点集合，实现车辆交通事故实时检测。本发明考虑到同一路段不同位置的关联特征，并结合车流信息响应的变化特征，提高了车辆交通事故实时检测结果的高效性与准确性。