基于大数据的交通安全分析方法及系统与流程

本技术涉及交通监控，具体而言，涉及一种基于大数据的交通安全分析方法及系统。

背景技术：

1、随着社会的快速发展和城市化进程的加速，交通问题日益凸显，交通安全已成为社会关注的焦点。传统的交通安全分析方法主要依赖于人工观察和事故统计，然而这种方法效率低下，实时性差，且难以全面覆盖所有交通场景。因此，开发一种能够自动、实时并全面分析交通安全情况的方法显得尤为重要。

技术实现思路

1、有鉴于此，本技术的目的在于提供一种基于大数据的交通安全分析方法及系统。

2、结合本技术的第一方面，提供一种基于大数据的交通安全分析方法，应用于基于大数据的交通安全分析系统，所述方法包括：

3、基于基础网络学习参数信息以及样例交通监控视频片段，对交通安全分析网络进行网络参数学习，生成所述交通安全分析网络的交通安全分析误差；

4、在所述交通安全分析误差不符合误差收敛要求时，对所述基础网络学习参数信息进行更新，生成更新网络学习参数信息，并将所述更新网络学习参数信息发送至训练计算节点，指示所述训练计算节点对所述更新网络学习参数信息进行优化得到全局网络学习参数信息；

5、获取所述全局网络学习参数信息，基于所述全局网络学习参数信息以及所述样例交通监控视频片段，对所述交通安全分析网络进行网络参数学习，直至所述交通安全分析网络的交通安全分析误差符合误差收敛要求，所述交通安全分析网络完成网络参数学习；

6、基于完成网络参数学习的交通安全分析网络对任意输入的交通监控大数据中的交通监控视频片段进行交通安全分析。

7、在第一方面的一种可能的实施方式中，所述基于基础网络学习参数信息以及样例交通监控视频片段，对交通安全分析网络进行网络参数学习，生成所述交通安全分析网络的交通安全分析误差，包括：

8、基于基础网络学习参数信息中的基础视频语义编码单元对样例交通监控视频片段进行视频语义编码，生成视频语义编码特征以及视频语义编码特征的语义分簇簇心；

9、基于所述视频语义编码特征以及所述视频语义编码特征的语义分簇簇心，计算所述交通安全分析网络的交通安全分析误差；

10、基于所述交通安全分析误差和误差收敛要求，确定是否对所述基础视频语义编码单元和所述视频语义编码特征的语义分簇簇心进行更新。

11、在第一方面的一种可能的实施方式中，所述更新网络学习参数信息包括初始化视频语义编码单元和添加密文后的视频语义编码特征的分簇簇心，所述在所述交通安全分析误差不符合误差收敛要求时，对所述基础网络学习参数信息进行更新，生成更新网络学习参数信息，包括：

12、若所述交通安全分析网络的交通安全分析误差不符合误差收敛要求，则更新所述基础视频语义编码单元的参数信息，生成初始化视频语义编码单元；

13、基于所述初始化视频语义编码单元，提取所述样例交通监控视频片段中的视频语义编码特征；

14、在所述交通安全分析网络中对所述视频语义编码特征进行分簇，生成添加密文后的所述视频语义编码特征的分簇簇心。

15、在第一方面的一种可能的实施方式中，所述在所述交通安全分析网络中对所述视频语义编码特征进行分簇，生成添加密文后的所述视频语义编码特征的分簇簇心，包括：

16、基于所述交通安全分析网络，对所述视频语义编码特征进行分簇，生成所述视频语义编码特征的特征分簇；

17、基于数据聚合算法，确定各个所述特征分簇的分簇簇心；

18、对各个所述特征分簇的分簇簇心进行随机扰动，生成添加密文后的所述视频语义编码特征的分簇簇心。

19、在第一方面的一种可能的实施方式中，所述全局网络学习参数信息包括优化后的视频语义编码单元和包含多个网络训练节点添加密文后的特征分簇簇心，生成所述误差收敛要求对应的训练误差参数的步骤，包括：

20、针对各个视频语义编码特征，基于所述视频语义编码特征与所述视频语义编码特征的语义分簇簇心间的特征误差参数，所述视频语义编码特征与所述样例交通监控视频片段中其它语义分簇簇心的偏离误差参数，以及所述样例交通监控视频片段添加密文后的特征分簇簇心与所述全局网络学习参数信息中包括的其它网络训练节点添加密文后的特征分簇簇心的偏离误差参数，确定全局交通安全分析误差；

21、基于所述样例交通监控视频片段中各个所述视频语义编码特征与所述视频语义编码特征的语义分簇簇心间的特征误差参数与所述全局交通安全分析误差，计算各个视频语义编码特征的交通安全分析误差。

22、在第一方面的一种可能的实施方式中，所述针对各个视频语义编码特征，基于所述视频语义编码特征与所述视频语义编码特征的语义分簇簇心间的特征误差参数，所述视频语义编码特征与所述样例交通监控视频片段中其它语义分簇簇心的偏离误差参数，以及所述样例交通监控视频片段添加密文后的特征分簇簇心与所述全局网络学习参数信息中包括的其它网络训练节点添加密文后的特征分簇簇心的偏离误差参数，确定全局交通安全分析误差的计算公式包括：

23、e_global＝σ(α*e_feature,i+β*e_deviation,i+γ*e_network_deviation,i)

24、其中，特征误差参数e_feature表示视频语义编码特征与其语义分簇簇心之间的差异，通过计算视频语义编码特征与其语义分簇簇心之间的欧氏距离或余弦相似度衡量；

25、所述e_global表示所述全局交通安全分析误差；

26、偏离误差参数e_deviation表示视频语义编码特征与样例交通监控视频片段中其它语义分簇簇心的偏离程度，通过计算该视频语义编码特征与样例交通监控视频片段中其它语义分簇簇心的平均距离或相似度来衡量；

27、所述网络节点偏离误差参数e_network_deviation表示当前样例交通监控视频片段添加密文后的特征分簇簇心与其它网络训练节点添加密文后的特征分簇簇心的偏离程度，通过计算当前样例交通监控视频片段添加密文后的特征分簇簇心与其它网络训练节点添加密文后的特征分簇簇心之间的欧氏距离或余弦相似度等来衡量；

28、i表示第i个视频语义编码特征，σ表示对所有误差参数求和，α、β和γ是权重系数，分别用于平衡特征误差参数e_feature、偏离误差参数e_deviation、网络节点偏离误差参数e_network_deviation的重要性。

29、在第一方面的一种可能的实施方式中，所述基于所述样例交通监控视频片段中各个所述视频语义编码特征与所述视频语义编码特征的语义分簇簇心间的特征误差参数与所述全局交通安全分析误差，计算各个视频语义编码特征的交通安全分析误差的计算公式包括：

30、对于第i个视频语义编码特征，其交通安全分析误差e_traffic_safety_i计算公式为：

31、e_traffic_safety_i＝w1*e_feature_i+w2*(e_global/n)

32、其中：

33、e_feature_i是第i个视频语义编码特征与对应的语义分簇簇心之间的特征误差，通过计算第i个视频语义编码特征与对应的语义分簇簇心之间的欧氏距离得到；

34、所述e_global是所述全局交通安全分析误差；

35、n是视频语义编码特征的总数，用于将全局误差平均分配到每个特征上；w1和w2是权重系数，用于调整所述特征误差参数和所述全局交通安全分析误差在最终交通安全分析误差中的贡献度。

36、在第一方面的一种可能的实施方式中，所述基于完成网络参数学习的交通安全分析网络对任意输入的交通监控大数据中的交通监控视频片段进行交通安全分析的步骤，包括：

37、将待分析的交通监控视频片段输入到完成网络参数学习的所述交通安全分析网络中，基于所述交通安全分析网络，生成交通安全分析结果。

38、结合本技术的第二方面，提供一种基于大数据的交通安全分析系统，所述基于大数据的交通安全分析系统包括包括机器可读存储介质及处理器，所述机器可读存储介质存储有机器可执行指令，所述处理器在执行所述机器可执行指令时，该基于大数据的交通安全分析系统实现前述的基于大数据的交通安全分析方法。

39、结合本技术的第三方面，提供提供一种计算机可读存储介质，所述计算机可读存储介质中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，实现前述的基于大数据的交通安全分析方法。

40、结合上述任一方面，通过基于基础网络学习参数信息和样例交通监控视频片段对交通安全分析网络进行网络参数学习，能够生成交通安全分析网络的交通安全分析误差，从而准确评估网络的学习效果和性能。当交通安全分析误差不符合误差收敛要求时，能够对基础网络学习参数信息进行更新，生成更新网络学习参数信息，并将这些信息发送至训练计算节点进行优化，以得到全局网络学习参数信息，这种动态调整和优化机制可以显著提高网络的适应性和准确性。通过不断获取全局网络学习参数信息，并基于这些信息以及样例交通监控视频片段对交通安全分析网络进行持续的网络参数学习，直至交通安全分析误差符合误差收敛要求，确保了网络学习的深入和全面性，使得交通安全分析网络在处理各种交通监控视频片段时能够具备更高的精确度和可靠性。最终，基于完成网络参数学习的交通安全分析网络，能够对任意输入的交通监控视频片段进行高效的交通安全分析，提升了交通安全监控的智能化水平。由此，通过大数据技术和深度学习方法的结合，实现了对交通安全分析网络的高效学习和优化，显著提升了交通安全分析的准确性和效率。