[发明专利]一种交通安全风险评估方法及系统

权利要求书

1.一种交通安全风险评估方法，其特征在于，应用于基于Spring Cloud搭建的微服务系统中，该方法包括：

建立神经网络模型；

从数据库中获取所述神经网络模型的输入数据；

对所述输入数据进行预处理后输入到所述神经网络模型中，设置所述神经网络模型的参数并对所述神经网络模型进行训练；

接收到服务调用者的行程数据后，将所述行程数据输入到训练后的所述神经网络模型中，并将所述神经网络模型的输出结果发送给所述服务调用者，其中，所述输出结果用于表征行程的风险值。

2.根据权利要求1所述的方法，其特征在于，所述神经网络模型为多层全连接神经网络模型，所述神经网络模型包括：输入层、第一隐藏层、第二隐藏层和输出层；其中，所述输入层包括多个输入节点，所述输出层包括一个输出节点。

3.根据权利要求2所述的方法，其特征在于，

所述多个输入节点包括25个输入节点，所述25个输入节点需要的输入数据包括：车辆类型、行程的起始时间、行程的持续时间、平均车速、平均车流量、能见度、降雨量、降雪量、节假日、交通管制、道路形态、道路的监控器数量、行程中多类警报的数量；其中，所述行程中多类警报包括：急减速警报、急加速警报、急转弯警报、超速警报、碰撞警报、闭眼警报、打哈欠警报、低头警报、左顾右盼警报、无人脸警报、打电话警报、抽烟警报和遮挡警报；

所述输出节点的输出数据为行程的风险值，所述风险值的不同取值用于表示不同程度的安全风险。

4.根据权利要求3所述的方法，其特征在于，所述从数据库中获取所述神经网络模型的输入数据，包括：

基于Spark大数据引擎从MongoDB数据库中获取以下数据作为所述神经网络模型的输入数据：行程的起始时间、行程的持续时间、平均车速、平均车流量、行程中多类警报的数量以及行程的风险值，所述行程的风险值由人工标注出；以及，

从MySQL数据库中获取以下数据作为所述神经网络模型的输入数据：车辆类型、能见度、降雨量、降雪量、节假日、交通管制、道路形态、道路的监控器数量。

5.根据权利要求1所述的方法，其特征在于，对所述输入数据进行预处理，包括：

去除所述输入数据中的缺失数据、异常数据以及重复数据后，将所述输入数据转换成.csv文件的格式。

6.根据权利要求1所述的方法，其特征在于，设置所述神经网络模型的参数并对所述神经网络模型进行训练，包括：

设置所述神经网络模型的学习率和优化器，以及训练神经网络模型的迭代次数和周期；

采用多线程技术对所述神经网络模型进行定时训练，将训练完后的所述神经网络模型分别保存为能够被Python和Java读取的格式。

7.根据权利要求1至6中任一项所述的方法，其特征在于，接收到服务调用者的行程数据后，将所述行程数据输入到训练后的所述神经网络模型中，并将所述神经网络模型的输出结果发送给所述服务调用者，包括：

服务提供者接收到服务调用者的行程数据后，将所述行程数据输入到训练后的所述神经网络模型中；

服务提供者将所述神经网络模型的输出结果发送给所述服务调用者，所述服务调用者将车辆的位置及风险标识展示在电子地图上，所述风险标识基于所述输出结果确定。

8.根据权利要求7所述的方法，其特征在于，所述服务调用者采用FeignClient调用所述服务提供者提供的交通安全风险评估服务，其中，所述的交通安全风险评估服务的接口符合RESTful规范。

9.一种交通安全风险评估系统，其特征在于，所述交通安全风险评估系统应用于基于Spring Cloud搭建的微服务系统，所述微服务系统上建立有神经网络模型；所述交通安全风险评估系统包括：

获取单元，用于从数据库中获取所述神经网络模型的输入数据；

预处理单元，用于对所述输入数据进行预处理；

输入单元，用于将预处理后的所述输入数据输入到所述神经网络模型中；

训练单元，用于设置所述神经网络模型的参数并对所述神经网络模型进行训练；

评估单元，用于接收到服务调用者的行程数据后，将所述行程数据输入到训练后的所述神经网络模型中，并将所述神经网络模型的输出结果发送给所述服务调用者，其中，所述输出结果用于表征行程的风险值。